第二部分 智能數據的循環
智能數據：如何挖掘高價值數據 作者：比約恩·布勞卿 投票推薦 加入書簽 留言反饋
<h2>第4章 五步流程實現增值</h2>提出正確的問題
“計算機沒有什麽用處。它們唯一能做的就是告訴你答案。”這句話出自巴勃羅·畢加索。眾所周知，作為畫家，畢加索擅長用極其扭曲的方式來表現客觀現實，但他卻不是數據分析方麵的專家。像所有偉大的藝術家一樣，他對當時的時事話題有著獨特的感知能力。
從畢加索所生活的時代到現在，信息技術的發展是否明顯快於現代繪畫藝術的發展，這個問題的答案是開放性的。可以確定的是，計算機係統在處理藝術問題方麵始終有些困難，比20世紀60年代信奉科學技術的未來學家預言的還困難。ibm的沃森認知計算係統可以解碼語言，能夠理解上下文的意思，可以基於前期輸入的報紙雜誌信息和維基數據庫回答測試題目，回答速度和準確度超過之前任何一位《危險邊緣》人類冠軍。但就算現今我們超智能的it係統很聰明，能夠提出令人感到意外的問題，它們大部分還是存在一些問題的。
日常生活的實踐經驗可以讓我們認識到：
以數據為基礎的價值創造的潛力不一定來源於數據本身。
有一次，一位企業管理者迷惘地說：“我原來認為，隻要打開潘多拉的盒子，就自然會有新想法出來。”人們就是這樣盲目推測大數據的魔力的。當然，人們會從數據中獲得很多認識。數據分析會變得越來越智能化，但前提是要選擇正確的問題作為出發點。這些問題不是關於對某一行業前世今生的（大）數據分析。最好是召集5~10個來自不同項目背景的聰明人，坐在一起共享一下他們精通的範疇，例如對商業模式的理解、對不同價值鏈領域的專業認知（可以是市場營銷、企業運營、售後服務、采購等方麵）以及對某一個數據驅動下的解決方案的發展潛力的看法等。然後，提出具有較大思維開放性的問題：
1.我們的商業問題是什麽？
2.銷售收入和淨利潤來源於何處？
3.它們產生於價值鏈上的哪一環節？
4.通過數字化的解決方案，我們可以在哪些範疇內快速提升價值創造水平？
在這裏，我們需要再老生常談地強調一下，在開始任何一項數據驅動下的市場分析之前，都要記得：
市場份額不斷下降的情況是客觀的，我們麵臨的問題與30年前、60年前和90年前沒有差別，即我們如何去阻止這種下降。
市場營銷或者經營的目標“任務書”不會因為引入使用了大型計算機或者雲計算而發生根本性改變。市場營銷和銷售人員必須一如既往地關注如何提高市場份額、發掘與開拓目標市場、提升零售業務顧客份額、防止老客戶流失、提升客戶間推薦頻率、增強市場營銷措施的影響力，等等。
問題的維度沒有發生改變，因此我們也就不需要引入新的參數或者變量來實現數據分析，況且在數據分析的過程中還會產生新的問題。市場份額不斷下降的情況是客觀的，我們麵臨的問題與30年前、60年前和90年前沒有差別，即我們如何去阻止這種下降。數據隻能幫助我們去尋找更好的答案。更直觀的表達就是：
智能數據分析不是從深入的數據分析開始的，而要首先提出具有戰略性的初步設想（這個初步想法應具有一定的包容性，可以涵蓋企業經營中的核心指標）。在分析人員的組織方麵，原則上最好是由來自相關領域的同事組成一個創意工作組，如果決策層、外部專家和客戶也能參與進來，就更理想了。最好不要在自己的會議室裏討論，到外麵去租一間配有書寫牆和桌子的“創意實驗室”。如果在討論前能夠去到一些場所，親自接觸客戶，也是一個不錯的選擇，比如去產品旗艦店、營業窗口，或者去一個普通的銀行網點，靜靜地坐在角落裏，觀察一下客戶。
首先，按照不同部門描述企業麵臨的最大機遇和（或）存在的問題。會議的主導者必須注意，不要讓討論會向著歸納或者推論演繹式討論的方向發展。這具體是什麽意思呢？
此處我們指的是，創意討論會經常會出現一種情況，就是整個討論組都陷在一個思維方向裏，會從個別的觀察現象中推導出一些普遍原則，然後很快就會上升到對事物規律性的認識，尤其是當領導也有這種思維認識的時候。我們稱這種現象為歸納式思考。比較少見的是，一個創意討論組具有市場營銷的理論構想，同時也發現了自己的問題，但是卻忽視了所有理論上不會發生的情況。我們倒也經曆過這種推論演繹式的思維態度，這也是有百害而無一利的。
在一個智能數據分析流程開始之前，尋找到合適的起點問題的訣竅是，把自己看作一個成員，真正參與到整個思維活動中去。美國創新研究人員，例如湯姆·凱利（tom kelly），將其稱為“初學者心態”。這種在基本態度上有意識地保持一定開放性的做法，有助於我們不被過多的細節所迷惑，不受之前策略失利的影響，專心關注業務上的問題。這可以幫助我們去探尋不同問題之間的聯係，而在此之前，可能都沒有人意識到這種聯係的存在。
討論組新鮮但具批判性的觀點也滲透到了早先的一些認識中。起初我們認為，人們在感性上關於投入產出的估計與著名的帕累托法則（80/20法則）不是特別吻合。現在我們覺得，一些想法之所以會產生出來，有可能完全是因為出於某種原因，這一討論組更喜歡執行這種想法。總之，這些想法不能像變戲法一樣被憑空編造出來，也不應該被當作兒戲。此時我們需要做到明確地提出問題，業務問題越是被明確地提出來，越容易被轉化為一些初步的工作設想。在智能數據分析流程的早期階段，這些設想肯定是粗線條的，可以采用下麵的形式呈現出來。
我們的企業現階段為什麽沒有成長，存在以下5個主要原因：
☆對部分客戶來說，我們的產品太貴了，市場購買力沒有達到這種程度。
☆與競爭者相比，我們的外部營銷業績差。
☆在市場定位不精準。
☆對特定目標客戶群來說，我們的產品缺乏吸引力。
☆由於售後服務太差，導致我們流失了很多客戶。
在這個階段，數據分析隻有一個任務，就是推出基本觀點並進行論證。到了下一步，任務就發生了改變，創意討論組需要轉變視角，並思考：
數據怎樣能夠幫助我們尋找到解決上述問題的更優方案？
直白地說，就是將已經明確的問題寫在“創新實驗室”的書寫牆上（要是沒有，那就寫在掛圖上好了），然後討論組的成員（才第一次）通過頭腦風暴的方式探討具體方案，去發現新機遇或者去解決現實問題。通過這種方式，會獲得一個長長的入圍清單，列出數個有可能的具體措施，目的都是為了進一步釋放數據驅動的潛力。
下麵舉幾個簡明扼要的好例子：
☆我們必須優化產品設計，從而去吸引高價值貢獻的客戶群體；我們應該參照對照組實驗的結果，去摸清我們需要怎樣去修改哪些產品設計參數。
☆我們需要為我們的外勤人員配備類似ipad平板電腦的設備，通過與同類客戶數據信息的比對，這些電子設備可以給銷售人員提供諸如某一個客戶購買同類產品的記錄，以及促進某位客戶追加購買的具體營銷話術建議等。
☆通過綜合分析交易流水和市場研究數據，我們可以更好地理解客戶需求，並可以相應地調整目標客戶群體的宣傳策略，例如50歲以上的客戶。
☆如果我們通過數據分析可以更好地預測何時客流較大，那麽我們就可以更合理地分配工作人員，提高客戶滿意度。
☆如果我們能夠放寬退換貨的條件，從長期來看，便可極大地提高客戶貢獻度。通過市場潛力分析，我們應該能夠確認，在不影響盈利的情況下，我們在哪些業務上可以這樣做。
☆定期的促銷活動往往針對的不是低端客戶。恰當的分析可以幫助我們識別出潛力客戶，我們必須將優惠活動控製在潛力客戶範圍內。
一些小型企業偶爾會開展一些智能數據項目，在這些項目中提出的初步想法隻需示範性地具有一定抽象性就可以了。然後，便可以開始去探尋數據源頭，目的是更合理地實現為產品定價、滿足客戶需求或者是優化區域運營管理。然而，在一些大企業的智能數據項目中，按照不同的業務範疇和不同的價值創造階段，這些初步設想會被係統性地區分開來。此處就會用到在第3章中介紹過的“熱圖”工具，主要是用於結構化地詳細解釋並定量分析這些以數據為基礎的價值創造手段。這樣的話，一個項目可能會持續3~4個月的時間。
首先要有效提出優化措施，完成了這一點，就意味著智能數據流程的第一階段結束了。可以通過討論小組的方式完成這項工作。有時，高層管理者或者中層經理更願意獨立去完成這一階段的工作，他們或是整夜思考相關問題，或是與雇員和客戶直接交流，或是通過與it部門負責人的溝通，大體掌握通過哪些投入可以獲得哪種數據。麵對具體的決策事項，民主討論或者集中決策都是有其根據的，根據不同的事情選擇不同的決策形式。但是無論如何，需要堅持的原則是：
在問題清單的最上麵，必須列示最有可能獲得最大成效的措施。
有時，這些措施可能聽起來非常誘人，比如我們需要開發一個app，通過使用這個app，我們可以做到實時地識別客戶、了解並滿足客戶需求。但是，大多數時候情況卻是相反的，清單上的那些措施都聽起來非常切實、基礎，但最終隻能麵臨被徹底忽視的命運。 使用正確的數據
市場是單一客戶的集合。如果我們能夠準確地認識每一個客戶，了解他們的行為驅動因素、實際的購買行為，了解他們的統計學、心理學以及社會經濟學特征，了解客戶價值以及客戶需求（包括顯性及隱性需求、必要需求及願望），他們的信息獲得途徑，他們對廣告宣傳的反應及行為，他們可接受的價格範圍，購買前的考慮因素，每一個產品種類的顧客份額，他們的品牌忠誠度以及投訴行為，如果我們能夠將每一個客戶的上述信息都以數據的形式反映出來，我們就能夠獲得市場的全景信息，了解市場的全貌。從注釋學意義上講，是這樣一種概念：我們可以從細節的集合中獲得關於整體的認識，而通過全局性的眼光，我們也可以更好地了解市場和單一客戶。
我們可以從細節的集合中獲得關於整體的認識，而通過全局性的眼光，我們也可以更好地了解市場和單一客戶。
在《我們的數據》一書中，我們將這種理論上的市場全景圖稱為“市場拚接圖”。完全競爭環境下的市場主體可以隨時、按需要的“粒度”審視這張“市場拚接圖”。在《我們的數據》這本書中，我們認為，最好的地圖就是比例尺為1：1的地圖，但是這樣的地圖肯定很大，裝不進後備廂裏了。三年來的實踐經驗和其後的數十項智能數據分析讓我們更加相信，“市場拚接圖”很有可能會停留在一個自相矛盾的營銷夢想階段。在所有企業中（我們認為在所有企業中都是這樣），數據資源都在被荒廢，在尊重數據保護基本政策的基礎上，通過利用這些數據，可以總結出有效的市場營銷措施。
在進入智能數據流程的第二階段之前，我們先拿出之前列好的初步想法清單和熱圖。按照下列三個啟發性問題的次序逐一考慮清單上的假設。
☆目前我們已經掌握的哪些數據源可以幫助我們找到解決辦法？
☆我們缺少哪些數據，還想進一步獲得哪些數據？
☆通過（a）自行收集，（b）以信息互換的方式從合作方處獲得所需數據，（c）從外部購買所需數據，分別需要投入多少成本？
如果想有一個概括性的認識，那麽最好是視項目的複雜程度，采用單一或者複合圖表的形式，將數據可能帶來的增值（數據吸引力）和獲得數據需要付出的成本（數據可獲取性）之間的關係呈現出來。
通過梳理並理解既有和潛在的數據源，大多數企業反而找不到清晰的思路了。一個原因是，很多企業發現它們擁有的數據量遠遠超出它們的應用能力。這一點在交易數據上反映得最為明顯。但是，不能僅僅因為客戶信息數據庫不能與用戶產生相互作用，就認為數據庫中的數據是沒有意義的。我們需要趕快建立起一種意識，即隻有通過無負擔地審視我們具有功能障礙的erp係統數據，才能夠使“數據墳墓”[1]重新煥發生機。事實情況也往往是這樣的。另外，市場營銷人員需要意識到，出於數據保護原因導致的數據使用障礙越來越少，低於內外部數據管理人員宣揚的程度，尤其在涉及個人數據的使用與收集的時候。還有一種普遍認識漸趨流行，那就是在單一客戶層麵，缺乏交易數據並不會導致智能數據分析工作停滯，相反會使項目進行得更快。一開始就掌握較少信息的人，反而會更快地獲得相應的結果。這是因為掌握的數據越多，工作量也就越大，就越不易獲得結果。
同一個決策者，當聽到公司已經擁有200萬個客戶時，這也許對他來說是個好消息。但是，如果他隨後又聽到，在這200萬個客戶中，“我們隻掌握20萬個客戶的郵箱地址，而其中還有1/3我們無法確定是否還在被活躍使用”，那麽這個決策者可能會感到不安。市場數據並不能算是可靠穩定的信息，通過購買方式獲得市場數據也比我們想象的貴很多，這也是很多公司至今沒有花錢去額外購買市場數據的原因之一。
我們已經感覺到，在數據項目的這個階段，輿論氛圍發生了逆轉，期望借助分析工具從數據癱瘓中解脫出來比我們想象的還要艱難和耗時。我們還是先別這樣做了。在智能數據流程中的這個階段，如果想獲得成功，那麽項目負責人就需要馬上啟動以下步驟：
☆不用非要獲得大而全的數據量。試驗證明，基於現有30%的數據以及既有的數據質量開展數據分析，我們就可以獲得更好的增值。但同時闡明，這僅僅隻是起點，每一次數據迭代更新都會帶來驚人的“學習效應”。
☆係統性地尋找潛在的合作夥伴開展數據互換。他們可以是供應商、貿易商、金融服務提供商、通信公司或影響力較大的電視節目。這樣做的目的是建立一種網絡聯係，網絡參與者在數據方麵互相支持，以期獲得對客戶潛力更準確的認識（有時也包括對單一客戶的認識）。
☆盡可能準確地評估出，為獲得缺失數據我們要付出多少成本，以及這樣做可以為我們帶來多少增值。簡單地說就是，我們需要有一個確切的決策基礎，才能做出投資決策，從而才能獲得數字化競爭力。
☆尋找到解決問題的非常見做法。經驗表明，幾乎所有的數據問題都有一個創造性的解決方法，這個方法既不會拖延項目進度，也不會影響分析結果的準確性，但一樣可以解決問題。
舉個例子。在貿易中，一個典型的問題就是，我們不認識客戶。客戶進店的時候我們不知道他的名字，走的時候我們一樣還是不知道，除非這個客戶持有會員卡。我們可以期待，會發明一個客戶關係管理係統，通過藍牙、信標或者客戶app等方式，幫助我們識別進店的客戶是誰，並且將全套客戶信息發送給店鋪櫃台。但是無論如何，我們現在還不知道，哪些正在測試的係統將來會投入使用，以及有多少客戶會使用這些係統。
櫃台開出的票據和電子商店的運行數據均以百萬計，在初始階段，係統性地利用這些信息具有一定意義。與開展一個包羅萬象的大數據分析相比，此舉可以獲得一個基於客戶行為的客戶分類結果。我們肯定是要推廣這種crm係統的，但是當我們意識到存在這種相互作用的客戶分類，且據此實施了相應的市場營銷和企業運營措施，並積累了關於這些措施的效率和效果方麵的經驗之後，我們將能夠更智慧地推廣使用這個係統。
總結一下，當我們解決了如下問題，智能數據流程的第二階段就接近尾聲了。
☆我們了解了如何更好地走近客戶。
☆我們了解了需要哪些數據輔助我們尋求問題的解決方案。
☆我們知道，在不增加公司技術、人力和財務成本的情況下，我們如何獲得所需的數據。 客戶需求理解
“更好地了解客戶需求”。這九個字可謂是數據革命給予服務業最大的承諾。作為全球最大的在線商店，亞馬遜很好地示範了在數據庫基礎牢靠的情況下，針對單一客戶市場，它是怎樣將數據革命的願景轉化為現實的。在線商店將數據資源嵌入到它們的係統中，作為發貨商，在線商店可以獲取所有客戶的名字和地址信息。通過分析在線消費者留下的信息痕跡，在線商店可以更準確地定位到潛力客戶群體。雖然在線商店不是真的對它們的消費者有私人了解，消費者對它們而言隻是以不同的ip地址形式而存在，但光是這些ip地址也留下了內容豐富的購物信息，這對在線商店來說有很大用處。
“更好地了解客戶需求”。這九個字可謂是數據革命給予服務業最大的承諾。
很多與我們合作過的公司，本身都不是純在線供應商。它們一般都來自相關領域，後來創立並擴展了數字化業務。它們服務於單一客戶，並且會要求雇員盡量去滿足客戶的個性化訴求，並提供客戶谘詢。但是它們現行的市場營銷和企業運營措施中的絕大部分是基於客戶細分，或者說是基於一種建模——這個模型致力於尋求客戶行為的普遍規律。
客戶細分的意思就是，將市場細分為不同的客戶群組，每一個群組的客戶都具有同質化的消費行為。或者更確切地說，按照做出消費決策之前相同或者盡可能相似的決策因素，將客戶進行分類，但是不同的決策因素最終產生出相同的決策結果也是有可能的。不同客戶群組之間，在消費行為方麵最好界限清晰。在書本中，這屬於邏輯的同一性原則，但在實踐中情況可能還不一樣。
在智能數據流程進入第三階段之初，我們需要先係統全麵地評價公司現行的客戶細分情況。然後我們會很快地發現，不同部門之間遵循著完全不同的客戶分類邏輯。在一個企業集團中，往往會有數十種客戶分類共存。當我們係統梳理並回顧之前的工作，會呈現出如下情況：
☆營銷戰略部門按照心理因素進行客戶分類，致力於探究客戶價值和客戶需求。這方麵的一個例子就是目標客戶模型sinus milieus，或稱sigma milieus，即基於人群的市場細分模型。除了社會階層從屬（即社會地位）之外，這個模型還考慮了其他一些主要的影響因素，例如傳統、現代化（個性化），還有自身重新定位等。戰略規劃者認為客戶分類應基於他們的生活環境，這對企業的長期定位和戰略規劃來說無疑是有意義的。
☆產品營銷部門優先考慮的是消費者類型。這基於一個根本性問題：對於某個具體產品或者服務，我們如何能辨別出一個人
?是否知道這項產品或服務
?是否需要這項產品或服務
?是否會購買這項產品或服務
☆典型的客戶一般會具有x、y、z等共性特征，一般我們叫這類客戶jens m。
☆運營部門會從交易數據、需求數據和潛力數據維度進行客戶分類。經營部門會根據a、b、c類客戶或者相應的a、b、c類潛力客戶的營業額貢獻情況，優化拜訪客戶的頻率。
在各行各業都存在著這種或好或壞的客戶細分。我們也看到，各個層麵的市場主體都在努力嚐試，通過利用更優質的數據達到更精準的客戶分類，為客戶分類補充新的維度和標準，使之達到與時俱進的水平。這樣做肯定是對的，也有好處。但是卻沒有解決一個根本性問題：
在一個企業中，如果同時存在太多的客戶分類，那麽相應推出的市場營銷手段將在市場上呈現“打亂仗”的狀態。
誇張點兒說，在很多企業中，客戶細分的實際情況是這樣的：一個粉刷匠、一個木匠和一個做窗戶的人要合作蓋一間房子。但他們對於業主的實際需求和想法卻有著完全不同的看法。他們之中，一個隻說德語，一個說波蘭語，一個說葡萄牙語。更糟糕的是，既沒有工長，也沒有建築師帶著他們一起施工。
有時候，在客戶細分方麵缺乏一致性的影響並不明顯，因為不同的部門終歸還是在市場上各自為戰。繼而可以預見到的是，適用於某一個部門的廣告傳單，可能沒有具體反映公司的整體情況，也未對公司整體業績產生積極影響。這種傳單對促進銷售額增加的作用也就一目了然了。
相對較大的智能數據項目的目標之一，是將公司內部關於客戶的不同視角和觀點整合協調起來，這樣，營銷戰略部門、產品營銷部門和運營部門就可以建立起具有一致性的客戶理解。現在對此比較流行的表述是：集成分類。
在理想情況下，客戶集成分類是這樣的：公司內所有市場營銷以及和運營相關的職能部門都使用同一個由社會人口統計學、心理變量、交易數據信息聚合而成的信息池。我們可以把這個信息池想象成一個多維立方體，it專業語言稱其為p數據集，p意即聯機分析處理。通過持續性地分析客戶考慮問題的視角，數據集可以推測出影響購買的因素，並建立對這些因素的統一理解。反過來，一旦這種統一理解得以建立，公司內所有的部門就可以或者必須重新審視一下自己部門所處的這一環節，並調整自己的工作，使其與部門的職能定位與工作任務相符。
綜上所述，持續性地思考並貫徹集成分類的好處有兩個：
☆集成分類將可得信息整合起來，讓我們更好地了解客戶；
☆集成分類為公司各部門提供了統一的客戶描述，在很大範圍內減少了因各部門之間客戶理解不同而對客戶營銷帶來的“摩擦損失”。
理論上的東西就介紹到這裏。數據分析領先者會越來越多地將理論應用於實踐。對此，他們需要具有戰略性的遠見，並對理論轉化為實踐的過程有足夠的耐心。但我們相信，這種投入是值得的。
大量研究證明，從長期來看，以客戶為中心是最重要的競爭優勢。市場越是朝著以客戶為中心的方向發展，就越需要清楚準確地掌握客戶情況。在一開始越是看重客戶細分，客戶細分的邏輯越精確，那麽後期在策劃和執行市場營銷措施方麵的投入就越少。
大量研究證明，從長期來看，以客戶為中心是最重要的競爭優勢。市場越是朝著以客戶為中心的方向發展，就越需要清楚準確地掌握客戶情況。
還有一點對智能數據項目來說也很重要。如果在未來的1~3年內，沒有機會將研究理論轉化為實踐，那麽建立在所有部門的可得數據基礎上的集成細分邏輯也不會有什麽用。智能化的客戶細分是迭代發展的，意味著包括子項目和測試在內的持續投入，這些子項目和測試在公司中獲得了積極的關注，並為智能項目的開展掃清了可能存在的障礙。
我們將這種做法稱為智能數據分類。
需要注意以下幾方麵：
☆智能數據分類的起點，是智能數據流程的第一和第二階段所總結出來的初步想法以及問題清單。它們能夠提示我們，哪些關鍵領域需要進行細分，甚至包括相關的細分維度。
☆必須讓之後直接或間接從事客戶需求滿足的部門工作人員參與客戶細分。如果讓營銷戰略部門自己去考慮需要涉及的部門，而沒有把實際與客戶接觸的部門考慮在內，那客戶細分工作也不會產生效果。
☆智能化、集成化的客戶細分需要具有一定的超前性，要通過識別與未來客戶細分相關的關鍵性問題或標誌性特征，嚐試預測與其他行業領域的融合問題。
☆信息的數量經常不如期望中的那麽多，信息質量也不盡如人意。我們可以先從規模小一些的信息池開始，著手做一些簡單的關聯測試。有時候，包含購物記錄和客戶關鍵特征的幾百個電子郵件地址就足夠了。如果這些測試顯示項目大有希望，那麽接下來我們便可以去考慮逐步提高可用的源數據的占比。
☆當智能數據分類與（大）數據革命的時代精神相悖時：在智能數據分類時，要有勇氣對某些有幫助的參數“說再見”。當我們確定，可支配收入因素對購買決策的影響程度是地域環境從屬性因素的50倍以上時，未來我們就需要將環境數據排除在考慮範圍之外。此時也要考慮80/20法則。
☆一個時常被低估的數據來源是“丟單分析”。這對價值高、數量少的產品和服務作用明顯。經驗證明，客戶非常樂於回答某些問題，比如你為什麽沒有購買某輛車。當一個客戶在一次試駕過後，就再也沒有出現在汽車店裏時，我們必須要聯係他並且詢問他問題出現在哪裏。此時，從相對小的“丟單分析”信息池中，我們可以歸納出有價值的認識，並采取相應的市場營銷手段。
當大數據解決方案嚐試從盡可能多的數據中意外地發現事物之間的聯係或者分類時，智能數據集成分類是有目的地先行一步。起初，隻是處理一些日常可得的數據信息，例如交易數據。基於所有關鍵數據點，數據科學家可以將所有交易數據進行統計學分類，以行為作為分類依據，將數據分為不同的群組。接下來，可以總結出一些具有說明性質的數據特征，例如人口統計學特征、客戶價值和需求等。明確的數據特征使提出適合的“獨特的銷售主張”（簡稱usp，詳見智能數據流程第四階段）成為可能。基於交易數據的基礎客戶細分再反過來促進我們與客戶的日常溝通。
客戶細分黑盒子
客戶細分的目的是，基於現有數據的特征，將客戶識別為盡可能同質的，或是盡可能彼此異質的群組（簇）。在將相似的要素進行分組或在發現數據中潛藏的模式方麵，存在著不同的操作方法，這些方法源自機器學習領域“無監督學習”範疇。最重要的幾個分類操作方法如下：
1.分層聚類分析
這種操作方法是基於前期已經識別出來的數據特征（例如通過識別市場上同質化群組的社會人口統計學特征、使用行為和觀念）測算出被觀察者（個人或公司）之間的差異，並據此建立矩陣。這個矩陣也分為許多行，同數據庫中被觀察者的分類占比保持一致。被觀察者之間的差異涵蓋了所有已識別的數據特征，並且可以通過不同的方法計算出來。在分層聚合的過程中，一對兒被觀察者在一個循環流程中被反複概括比對，就連最小的差異也會被發現。這個流程會一直不停地循環重複，直到所有的被觀察者都被納入某一個簇中。這個積聚的過程可以通過多種不同的算法實現。比較常見的算法包括單聯聚類法（即sl聚類，又稱鄰近算法）和凝聚層次聚類（沃德法）。根據算法之間不同的聚合邏輯，會產生不同的聚合結果。采用單聯聚類法可以識別出一些較小的邊緣群體，若采用凝聚層次聚類法，那麽簇的規模一般會比較均衡。
分層分析方法的優點是，不需要事先就知道簇數，而是借助於統計學參數預估出理想的簇數，從統計學的角度出發，理想簇數的確定需要考慮到組內同質和組間異質之間的平衡問題。分層分析方法的缺點是，計算量非常大，且隻適用於小規模的數據量。很多時候，分層分析方法被用於分析通過社會調查形式獲得的數據。分層分析流程也適用於從大數據中進行隨機抽樣，目的是獲得穩定的分類並且確定簇的數量。後續，數據科學家會采取分區操作，將聚合結果擴展到整個數據庫。
2.劃分聚類分析
在分層聚類分析過程中，不需要事先就確定簇的數量，這對模式探索型的聚合分析流程來說是一大優點。然而，在劃分聚類分析中，必須要預先就確定好簇的數量。總體來看，劃分聚類分析的各種方法間存在共性，都是根據預先確定好的簇的數量選擇出相應數量的對象，將每個對象的初始值作為單一簇的平均值或者中心點，然後反複調整聚類劃分，直到誤差函數最小化為止。其中，最著名且應用最廣泛的誤差函數是k均值（k-means）算法：先根據既定的簇數隨機選擇出相應數量的對象，將這些對象的初始值作為每個簇的平均值，對剩餘的每個對象，根據其與初始均值之間的差異程度，將其歸入相應的簇。然後再重新計算每個簇的誤差函數平均值。這個過程不斷重複，直到每個簇中各對象的差異不顯著（或者說誤差最小化）。
劃分聚類分析中還有一種算法是k中位數（k-medians）或者模糊c均值（fuzzy c-means）。k均值的最大好處是，它尤其適合大規模的數據分析，因為它在算法方麵不像分層聚類分析那麽複雜。但是k均值算法的問題在於對異常值的敏感度過大，偶爾會導致十分小的聚類被劃分出來。另外，該算法是基於隨機選取的初始值，因此在反複調整過程中，劃分結果不是很穩定。此外，結果缺乏可再現性也是缺點之一。分層聚類分析可以補償劃分聚類分析的缺陷，因此可以將分層聚類分析中產生出的聚合分類結果作為k均值分析方法的簇數起點值。
3.密度聚類分析
密度聚類分析背後的邏輯是，將被觀察者視為一個空間內的點，盡管這些觀察者之間存在很多差異化特征。首先我們要識別出這個空間內的高密度區和低密度區，並以此為基礎建立起簇。這種分析方法的核心流程就是所謂的“具有噪聲的基於密度的聚類方法”（density-based spatial clustering of applications with noise，簡稱dbscan）。根據這個空間內點之間的距離，我們會識別出密度最高的區域，並將這個高密區內的點作為核心點。還有一些點處於中等密度區域，我們將這些點稱為邊界點，被歸至周邊的簇。還有一些點，分布非常稀疏，我們將這些點稱為噪聲點。dbscan分析方法的優點之一，是不需要提前就確定簇的數量，這與分層聚類分析法有異曲同工之妙。與k均值分析法相比，dbscan方法具有一個關鍵優勢，即可以識別非線性聚類，並可以有效對抗異常值。但是當空間簇的密度不均勻、間距差相差很大時，dbscan聚類質量較差。dbscan是相對比較新的聚類分析方法（1996年才被提出），目前已經發展成為機器學習領域最重要的算法之一。
4.模糊聚類分析
目前既存的係統化聚類分析流程都是將一個因素明確地歸入某一個簇中，這是所謂的“硬流程”。模糊聚類分析屬於“軟流程”，即某一個因素可以被歸入一個以上的簇，換句話說，就是在識別聚類從屬性的不同等級。模糊聚類分析中最有名的算法是模糊c均值（fcm）。首先假定每一個被觀察對象都能夠或者傾向於被歸入一個簇，那麽處於簇中心位置的被觀察者歸入這個簇的可能性高一些，處於簇邊緣的被觀察者納入這個簇的可能性相對低一些，或者說簇邊緣的被觀察者也有可能被納入其他簇。
從技術層麵上看，模糊聚類分析的邏輯與k均值算法類似。模糊聚類分析這一設想的目的是，實現一個被觀察對象被歸入不止一個簇中，這在某些特定的應用案例中更具現實價值。如果市場和客戶細分部門希望獲得明確的聚類結果（例如要去評估某一聚類集合的市場潛力），在對客戶針對不同商品種類的消費行為和購買決策進行統計分析時，多維的聚類可能更有意義。例如，為了精準定位並營銷旅行社潛在客戶，我們可以利用模糊聚類分析方法，通過分析交易數據信息，從而去識別客戶的旅行類型。此時，有些客戶或被歸入多個特征組，例如海灘度假組、城市遊組等，這可以幫助我們為客戶提供多樣化的選擇。
多維度的統計學細分流程如果想起作用，那麽首要的就是對使用者而言，分類結果不能太寬泛。舉一個分類結果寬泛的例子：有一個關於消費者的聚類分組，組中九成的消費者收入較高；85%的消費者是穩定客戶，並且會關注商品的質量、安全性和售後服務；組中的消費者平均家庭人口在2~3人之間，每月平均支出980歐元用於家用，這其中有430歐元都是在同一家商店消費的。企業如果希望通過聚類分析來獲得決策支撐，那麽分類結果所要描述的特征應該盡可能少，並且清晰可辨，這樣對企業來說容易理解、易於操作。
所謂的“好問題”（power questions）可以幫助我們，將客戶歸於某一細分類別中。例如可以這樣提問：
☆客戶會購買名牌商品嗎？
☆客戶每個月是至少給我們支付400歐元購買生活用品嗎？
☆客戶基本上80%的結算都要通過轉賬完成嗎？
☆客戶買嬰兒用品嗎？
“好問題”的答案是明確的，通過這些答案可以建立一個決策樹。通過決策樹調整統計學聚類分析結果，我們會發現，聚類分析不一定能夠百分之百貫徹下去。在理想情況下，90%以上的客戶會被明確地歸入某一類。70%~80%的聚類程度是可接受的水平。如果聚類水平低於70%，就不足以獲得清晰可辨的分類結果。原則上，我們此時就可以判斷我們初步設想有問題。在這一點上，大家的觀點也不統一，不過及早地意識到這一點，並提出新的設想，重新運行一次智能數據分析流程，也沒什麽壞處。不準確的細分無疑會導致瞄準錯誤客戶或者采取錯誤的市場營銷措施，從而給公司造成損失，重新運行總比遭受這些損失要好。
同時，即便是達到90%聚類水平的最好的細分情況，如果客戶服務人員不能理解或者不能夠正確使用，那也是惘然。這聽起來是理所當然的事情，但是在實踐中卻經常被忽略。
對此，我們在一個世界領先的it生產商的大項目中感觸最深。企業總部的戰略營銷部門邏輯清晰地為大部分b2b聚類分組都起了名字，比如“印刷發燒友”或者“累垮的工人”。然後成立了產品設計部門，並製定了產品戰略。遺憾的是，處於銷售環節的員工無法理解什麽是印刷發燒友，哪些人又是累垮的工人。
智能數據細分能夠幫助我們有效減少、簡化聚類結果。首先，我們分析易得的交易數據，根據交易額信息確定出所需聚類。接下來，我們轉而分析市場研究提供的購買決策信息和有關公司構架的信息。然後，我們製作有針對性的廣告，並將廣告信息準確傳遞給正確的目標客戶，達到90%以上的“擊中率”。這樣可以減少瞄準錯誤客戶的情況，並且可以提高廣告的有效性，使廣告的效用與增額投入成正比。
市場營銷人員不需要精通，也不需要深入理解這些數理統計學原理。但需要知道的是，原則上，對交易數據的分析是起點，進而去分析交互數據和市場研究數據。智能數據分析和傳統的聚類分析方法的目的一樣，都是盡可能地分析出同質群組中清晰可辨的消費者行為特征。獲得一次性、靜止的分析結果不能算作數據分析成功，我們需要的是每月、每天甚至是實時都能進行動態分析。
智能數據分析和傳統的聚類分析方法的目的一樣，都是盡可能地分析出同質群組中清晰可辨的消費者行為特征。
產品設計部門的可視化工具特別適合用來展示聚類分析結果。例如，用情緒板展示特定類型客戶的生活空間，或者利用mockups產品原型設計工具呈現出與真實大小一樣的實體模型，使同事們對聚類分析結果產生感官上的認識。還有一些企業實現了進一步發展，引進並使用了設計思維工具。它能夠讓使用者產生身臨其境的感覺，仿佛坐在目標客戶群體的起居室中，或者仿佛自己是一個客戶谘詢顧問，坐在一個特定觀察環境中的角落裏，靜靜地觀察並分析客戶行為，此時，對客戶分類將會有更敏銳及清醒的認識。
真正的智能數據聚類分析
讓我們暫時先把市場營銷的事情放下。在一個廣告宣傳和產品銷售更完善的世界中，極其智能化的客戶聚類分析應該是什麽樣子的呢？我們可以設想一下。在這個世界中，宣傳這個概念不再適用了，因為一對一的交流更像是對話，而不是宣傳。針對具體的交易是如何發生的問題，產品價值和客戶社會從屬性因素的指導意義也逐漸弱化。我們不再按照年齡、收入或者最喜愛的汽車品牌等因素劃分潛在客戶類型。我們已經意識到，消費者本身具有複雜的特質。對於每一個消費者而言，在其做出每一次購買決策時，考慮的因素都是完全不同的。真正的智能數據聚類分析可以告訴我們，在不同的消費情境下，影響單次購物決策的因素都有哪些。相應地，以具體客戶為中心，可以為每一次購物決策提供量身定製的分析結果。在極限情況下，每一個細分類別中僅存一個客戶。
換句話說就是：在每次市場營銷措施實施之前，基於重要的購買影響因素，一個反應性能良好的、持續自學習的it係統會整合出一個全新的聚類，並將單一客戶有目的地歸入其中。
為了進一步說明這一點，我們拿銀行業舉例子，銀行業受製於嚴格的數據使用限製，目前還沒能夠做到精確地滿足客戶需求。將來，銀行不需要再按照年齡、收入等標準將客戶歸類，例如這個客戶31歲，月收入2600歐元，按照儲蓄賬戶的工資記錄可以推測出他在一個大集團的子公司工作，他有一輛大眾polo汽車。相反，即便這個客戶還沒有在銀行開立貸款賬戶，銀行也知道，無須再去向他推薦住房抵押貸款業務。因為，這個客戶剛剛被係統歸入了一個新生成的聚類中：他是一個小朋友的父親，住在一個新建住宅區內，且已經擁有了房屋近100%的產權。
我們應該允許銀行合法地使用這些數據，因為it係統早就可以完成對客戶的動態實時分類了。我們不應該讓真正的智能數據聚類分析僅停留在想象階段。我們從銀行的客戶關係管理係統和賬戶信息中可以輕鬆訪問這些數據。產生的統計費用很直觀，且操作簡單。銀行的客戶不會再收到標準化的銀行通知單了，取而代之的是真正符合每個客戶實際情況的通知單。這樣，客戶會覺得銀行十分清楚他們的需求，最終，這會為銀行帶來更大效益。 提出自己獨特的銷售主張
我們如何能夠使我們的產品與客戶需求相適應，從而……
☆提升某一個已識別的聚類中客戶的購買意願呢？用市場營銷術語表達，就是我們能夠常常讓客戶按下“購買鍵”。
☆提升必要的市場營銷措施的盈利性？或者我們可以準確地預見到，哪些市場行為可以讓我們實現盈利。
這兩個問題的答案就是智能數據分析流程的下一階段：提出自己獨特的銷售主張：此處我們探尋的是“是什麽”的問題，即我們要改進產品的哪些方麵。至於“怎麽做”的問題——我們希望如何滿足客戶需求，我們放到下一階段去討論。
在探討“是什麽”時，經常會出現的情況是討論泛濫。原因是，這個問題的答案範圍本身就很寬泛，答案有可能是“我們需要適當調整一下直郵策略”“在周末開展打折促銷”，或者“做廣播廣告以提高知名度”，甚至是“我們還是幹脆換一種產品吧”“我們需要徹底改變我們的網點選址策略”。
在智能數據框架內，我們會去嚐試係統地調整一個產品所有可能的變量，這項工作需要由一個複合型的專家團隊來完成。需要注意的是，在著手工作之前，要清楚地定義出產品變量的範圍，例如價格、顏色、打捆、包裝、產品說明書、附加金融服務。後續，不同的信息會被分別歸入這些變量範圍內。
在智能數據流程的這個階段還需要注意，智能化意味著，在可預見的時間內具有實現的可能性。在一個月之內或者一年內，我們究竟能夠將哪些成果轉化為生產力？做完這些之後，我們又通常會獲得什麽？
為此，我們需要關注一下通過數據獲得的新認識：
☆客戶需求（尤其關注老客戶需求）
☆渠道偏好（尤其關注口袋份額較低的客戶和潛在新客戶）
☆購買驅動因素（價格、產品、種類、谘詢、服務、地點便利、舒適性）
問題的答案與使用場合高度相關。但實際上，根據案例經驗，答案也會因以下幾方麵因素而有所不同：
☆在x客戶分組內，有可能通過捆綁銷售實現交叉銷售。
☆在y客戶分組內，具有通過提供更高附加值產品實現向上銷售的潛力。
☆在z客戶分組內，清晰說明服務內容，可以有效提高客戶口袋份額。
☆當我們擴大或者縮減產品種類時，我們可以獲得新的客戶分組。
☆當我們改善客戶谘詢服務後，我們可以優化a客戶分組內的客戶關係。
我們這樣做的目的，不是去創造出一種產品，使其能夠適應全部組別客戶的需求。能做到這樣當然好，但這不現實。相比之下，我們更需要做的是，塑造出具有現實意義的、有市場吸引力的、能夠經受住市場考驗的產品線，並以數據為基礎，不斷地去優化它。
我們後續還會詳盡地論述這一問題，這裏先提一下：
我們的目的是要搭建一套自學習係統。
通過在各分類組中的係統性對照實驗，我們可以檢測出，哪些產品變量在哪個客戶分類組中可以取得最大的盈利效果。然後，在智能數據流程的下一階段，我們可以進一步地校準我們的認識，綜合考慮銷售時機、銷售渠道等因素，使usp更加具有針對性，從而一步步挖掘客戶潛力。
然而，特別是在智能數據流程的第四階段，提出具有普遍性的智能usp和市場營銷法則是很難的，甚至不可能，這是由第四階段本身的性質所決定的。因此在本書的第三部分，我們會列舉很多案例，這些案例試圖去提出獨特的銷售賣點，為智能化的客戶營銷（在對的時間、采用適當的營銷話術、提供適合的產品）奠定了基礎。 正確地吸引客戶
如果我們想更好地吸引客戶，我們就必須要知道，在購買之前，客戶是怎麽知道這個產品的，他在來買東西的路上都經曆了什麽。即便在數字化時代，還是需要了解這些情況的。數據僅能夠幫助我們，在每次與客戶實際接觸的“觸點”，豐富我們對客戶的了解。上一句話的重點是“每次”。
如果我們想更好地吸引客戶，我們就必須要知道，在購買之前，客戶是怎麽知道這個產品的，他在來買東西的路上都經曆了什麽。
在每個“觸點”，無論是當前、潛在或是老客戶，都或多或少地對一個商品、一項服務、一個品牌或者一家企業有所了解，即客戶有前期的客觀知識儲備。但是同時，客戶也會有感官認識，或強或弱，或正麵或負麵。（潛在）客戶基於認知和情感兩方麵的經驗，會在內心勾勒出關於產品、品牌或者企業的形象，即所謂的印象。印象經常與態度密不可分。
相應地，在智能數據分析流程第五階段首先要做的是，沿著下列引導性問題的思路，分析客戶的“觸點”。
☆目前，我們究竟是在哪裏與客戶產生接觸的？
☆我們在那裏究竟是怎樣與客戶產生相互作用的？
☆我們通過現行的交互方式想取得哪些效果？盡管人們都喜歡強調自身的優點，這是可以理解的，但係統地關注一下引起客戶不滿的業務記錄也很重要。我們經常能夠在分析不滿意客戶或者已丟失客戶的過程中，發現改善客戶服務的最重要措施。
☆迄今為止，我們還沒有與哪些（哪類）客戶產生接觸，或者鮮有接觸？
在總結並了解了在既有“觸點”的互動情況的基礎上，我們可以開始考慮一個問題：對某一聚類客戶來說，可能的新“觸點”有哪些？采用何種措施可以對他們產生怎樣的效果？此時，關注一下其他行業、國家，尤其是其他創新型企業的經驗，可能會有所幫助。
客戶旅程究竟將我們引向何方？
客戶旅程是一個客戶所有“觸點”的集合。大數據在市場營銷方麵許下的最大諾言是：基於充足的數據，我們可以估算出每一個客戶在“客戶旅程”中的行為順序，並引導這些行為向有利於我們的方向發展。穀歌和蘋果宣稱它們可以做到這一點，並宣稱這樣對它們的數字產品有好處。此外，就沒有人再能夠做到這樣了，就連亞馬遜也不行。
在可預見的時期內，在大多數市場領域，我們並不認為單一客戶的“客戶旅程”是可以全然被預測並操縱的。不同客戶的“客戶旅程”是完全不同的，它與情境密切相關，且十分複雜，已經超越了我們當下能夠近似模擬的程度。甚至連客戶自己也不清楚自己“客戶旅程”的下一步是怎樣的。每一個客戶在每一次購買決策之前，都越來越頻繁地改變選擇方向和購買目標，走了未預見到的捷徑或者彎路，迷失在決策邏輯中，或者選擇了其他種類的商品。總之，詳細地去分析個人的“客戶旅程”的效果低於預期，且與運營費用投入無關。很快就會產生邊際效應。
然而，如果把“客戶旅程”概念作為總體方向性框架或者至少是一種思維模式來看，卻是十分有價值的。它可以幫助我們確定，在每一次我們與客戶具體接觸時，客戶處於“旅程”的哪一個階段。某一客戶是剛開始對一個商品感興趣，還是對某一個商品的興趣已經逐漸增強；是已經開始考慮購買，還是說僅需再營銷一下就肯購買了。它能夠幫助我們建立與客戶新的“觸點”，檢測這些“觸點”在“旅程”中的意義與作用，同時，隨著時間的推移，我們可以更好地了解客戶喜好。更重要的是，通過早期並持續地關注“客戶旅程”概念，我們得以對“客戶旅程”與“觸點”概念有更好的理解，不會因無知而在新的數字化或者固定“觸點”（例如app或者分支機構）方麵大量投入，致使企業遭受損失。目前，企業在理論層麵發現了很多“客戶觸點”，並在從理論向實踐轉化方麵進行了大量投資。但遺憾的是，這些投資決策並沒有考慮到這些“觸點”是不是客戶所希望的，這些“觸點”在“客戶旅程”中發揮什麽樣的作用，同樣，也沒有衡量這些“觸點”的效用。舉個例子，如果我是一個汽車生產商，隻有當我清楚了，固定的貿易基地將來會在“客戶旅程”中發揮怎樣的作用，我才會知道如何去安排和設計這些基地（可以將貿易基地與數據化“觸點”相結合，例如在貿易基地中使用“組態程序”來測算汽車貿易商的到店頻率，還可以在貿易基地中安裝電話會議設備），才會知道我需要保有多少基地才夠用。我們並不是通過在方案設計階段不停地思考來獲得這些問題的答案的，而是通過在一開始就智能地利用數據，不斷進行試驗，同時分析試驗的結果。
以智能數據為基礎的市場營銷會分析每一個“觸點”的數據，在策劃市場營銷手段的時候會參考分析結果。我們需要始終去關注，采取某種市場策略是否值得。我們不需要去滿足每一個我們認為有價值的客戶需求，因為這樣做成本太高。聰明的企業會為客戶提供多種選擇，去塑造客戶的“客戶旅程”，使之向企業所期望的方向發展。
根據簡單的邏輯，團隊就可以將已有及可能的“觸點”劃分先後順序：
1.哪些“觸點”對哪些目標客戶群體是真正重要的？
2.哪些因素會加速或延緩“客戶旅程”，且客戶會在後續“旅程”中仍然需要這些因素？
3.在一個客戶聚類中，在每一個“觸點”，哪些因素可促成購買？
4.在每一個“觸點”，我們可以通過采取哪些措施提升市場營銷效果？
就這樣，就是這麽簡單！此外，還有一個關鍵點：
5.需要為在每個“觸點”上采取的每個措施界定一個衡量效果的標準。隻有在一個“觸點”起到的作用很清晰的情況下，我們才能夠理解它在“客戶旅程”中的功能定位。如果我們無法去界定在某個“觸點”上采取的一個或多個措施有效與否，那很可能是這個“觸點”本身的認定有問題，或者建立這個“觸點”是多餘的。
智能數據流程是一個自學習係統。我們最終采取的各種市場營銷措施，其實質是一種假說。如果我們認真地踐行了智能數據流程的第1~4階段，那麽這些假說的命中率將會很高。我們在每一個層麵都秉持著效率優先的原則，因此這些措施的投入產出比會相對較高。但是，這些措施是否真正起作用，我們也隻有在嚐試過之後才知道。就如同我們必須去嚐試投放不同的產品組合一樣，我們也需要通過嚐試來檢驗各個“觸點”的效率和作用。最終，我們才會認識到，在哪個“觸點”、針對哪些客戶、通過采取何種措施能產生最大效果。
智能數據流程是一個自學習係統。
“嚐試”在此處是一個無害的行為。在智能數據範疇內，“嚐試”具體可理解為：我們需要將想法付諸實踐，並評價實踐的效果，否則的話，我們就無法兌現承諾並發現其他潛在可能性。
具有數據基因的市場參與者區別於普通市場參與者的一點是，他們具有衡量“觸點”實際效用的能力，能夠將有效的措施移植到同類或者他類客戶群體中去，並且他們會迅速終止無效措施。
通過這樣反複的迭代更新，我們將能夠更好地滿足更多客戶的需要。
智能數據市場營銷的“黑盒子”
物理學家和統計過程控製的創始人威廉·愛德華茲·戴明（william edwards deming）曾說過：“我們隻信仰上帝，其餘的人都得拿數據說話，我們才會相信他。”
數據本身對市場營銷是沒有價值的，隻有通過統計學過程去處理分析數據，才會帶來有益的認知。不同的分析目標，需要的統計學流程也是差異化的。在此，我們大概介紹一下：
☆如果需要去發現數據中潛藏的範式，在市場營銷過程中，大都是希望去識別同質化或潛在的客戶群體，那麽可采用聚類分析流程。
☆如果需要去分析並評價已確定的kpi（即關鍵績效指數，例如romi，市場營銷投資回報率）的驅動因素，統計學家大多會采用驗證性因子分析方法，特別是回歸分析。這種分析流程的目的是，盡可能地通過其他因素去解釋一個目標變量，並且揭示出不同因素對這個變量的重要性及作用強度，以期能夠實現對kpi的有效管理。驗證性因子分析方法最常見的應用是用於市場營銷有效性研究項目。
☆如果需要去評價多渠道的效用或者去評價企業市場營銷效率的標杆管理情況，那麽可以采用數據包絡分析方法。這種致力於績效優化的分析方法是基於一種理念，即為不同的公司或者眾多渠道的投入變量設置相應的產出水平。這個分析方法的優點之一是，每一個分析流程僅需為數不多的數據點。
☆在數據驅動的市場營銷中，最常見的分類問題是將人分配至既存的聚類組中。借助決策樹可以建立起最優分類原則，盡可能地將人員分配至恰當的分組中。決策樹是最有效的分組方法之一，應用方式極為靈活，易於理解接受，並且通過算法的不斷優化，例如隨機森林算法，決策樹也適用於較大量的數據分析。
☆亞馬遜開了一個好頭，現在所有的企業都想擁有一個好用的推薦引擎，以此實現自動生成個性化的推薦建議，最大限度地匹配客戶的喜好，盡可能地促進銷售。此時，可采用下列兩種方法：
1.關聯分析方法：這是一個很簡單的分析方法，尤其適合於“購物車”研究，用於尋找經常被同時購買的商品。如果想使用這種分析方法，我們需要擁有完整的匿名交易數據。
2.協同過濾分析方法：這種分析方法是通過對比客戶（例如網站用戶）的喜好和購買情況，實現向客戶推送個性化推薦建議。從嚴格意義上來看，與其說這種方法是一種統計學算法，倒不如說是一種特殊的過濾和比較邏輯。這種方法具有應用簡單、運算強度低等特點，因此特別適用於處理大量數據。這種方法的缺點是，我們必須先期對目標客戶有一定了解，才能為其推送有價值的推介信息。我們對客戶的了解越多，我們越能夠為客戶提供更好、更精準的建議。這跟此前提到過的自學習係統概念是相吻合的。 結論：實現增值
與傳統的聚類模型和與之對應的市場部門相比，智能數據分析至少可在下述5個層麵為企業帶來可量化的競爭優勢：
☆聚焦企業經營中出現的實際問題和發展潛力，可以促使企業明確目標和措施，這個恰恰是許多具探索性的數據項目所欠缺的。
☆由於擁有更好的（高聚合性、智能化預分類）數據基礎，智能化的聚類可以更準確地描摹某一聚類中客戶的實際購買行為。此外，可被明確歸入某一聚類的客戶比例有所上升。由此，在理想情況下，在單一客戶層麵，我們采取的市場營銷措施可以更加精準地發揮作用。
☆我們有（越來越多的）可能去正確評估某個單一客戶在某個商品或者具體商品組合上的銷售額貢獻潛力。
☆通過設置“觸點”優先級，我們可以顯著提高滿足客戶需求的效率。
☆通過動態利用統計學分析，我們可以更好地調整針對單一客戶的市場營銷與經營活動。
總的來說，在智能數據流程中，我們可以基於更智能化的聚類分析，總結出具有良好投入產出關係的市場營銷措施。此處，智能數據聚類分析起到了決定性的作用。因為，得益於規律性重複的、集成化的交易數據、互動數據和消費行為數據分析，智能數據流程不僅僅隻是更準確地表述一個客戶購買某個商品的可能性有多少。作為一個自學習係統，智能數據流程還能夠描述出客戶將會在何時、通過哪個渠道、以怎樣的價格購買。
我承認，這聽起來更像是自吹自擂的大數據自我營銷。在本書的第三部分，我們將介紹一些智能化的企業，他們的經營證實了智能數據流程的優越性；這些企業日漸獲得數據競爭優勢，卻沒有陷入“數據自我負累”的泥潭。我們稱這些企業為智能數據冠軍企業，他們在很多應用領域確實贏得了競爭優勢。
[1]即那些不會再被訪問的數據。——譯者注
“計算機沒有什麽用處。它們唯一能做的就是告訴你答案。”這句話出自巴勃羅·畢加索。眾所周知，作為畫家，畢加索擅長用極其扭曲的方式來表現客觀現實，但他卻不是數據分析方麵的專家。像所有偉大的藝術家一樣，他對當時的時事話題有著獨特的感知能力。
從畢加索所生活的時代到現在，信息技術的發展是否明顯快於現代繪畫藝術的發展，這個問題的答案是開放性的。可以確定的是，計算機係統在處理藝術問題方麵始終有些困難，比20世紀60年代信奉科學技術的未來學家預言的還困難。ibm的沃森認知計算係統可以解碼語言，能夠理解上下文的意思，可以基於前期輸入的報紙雜誌信息和維基數據庫回答測試題目，回答速度和準確度超過之前任何一位《危險邊緣》人類冠軍。但就算現今我們超智能的it係統很聰明，能夠提出令人感到意外的問題，它們大部分還是存在一些問題的。
日常生活的實踐經驗可以讓我們認識到：
以數據為基礎的價值創造的潛力不一定來源於數據本身。
有一次，一位企業管理者迷惘地說：“我原來認為，隻要打開潘多拉的盒子，就自然會有新想法出來。”人們就是這樣盲目推測大數據的魔力的。當然，人們會從數據中獲得很多認識。數據分析會變得越來越智能化，但前提是要選擇正確的問題作為出發點。這些問題不是關於對某一行業前世今生的（大）數據分析。最好是召集5~10個來自不同項目背景的聰明人，坐在一起共享一下他們精通的範疇，例如對商業模式的理解、對不同價值鏈領域的專業認知（可以是市場營銷、企業運營、售後服務、采購等方麵）以及對某一個數據驅動下的解決方案的發展潛力的看法等。然後，提出具有較大思維開放性的問題：
1.我們的商業問題是什麽？
2.銷售收入和淨利潤來源於何處？
3.它們產生於價值鏈上的哪一環節？
4.通過數字化的解決方案，我們可以在哪些範疇內快速提升價值創造水平？
在這裏，我們需要再老生常談地強調一下，在開始任何一項數據驅動下的市場分析之前，都要記得：
市場份額不斷下降的情況是客觀的，我們麵臨的問題與30年前、60年前和90年前沒有差別，即我們如何去阻止這種下降。
市場營銷或者經營的目標“任務書”不會因為引入使用了大型計算機或者雲計算而發生根本性改變。市場營銷和銷售人員必須一如既往地關注如何提高市場份額、發掘與開拓目標市場、提升零售業務顧客份額、防止老客戶流失、提升客戶間推薦頻率、增強市場營銷措施的影響力，等等。
問題的維度沒有發生改變，因此我們也就不需要引入新的參數或者變量來實現數據分析，況且在數據分析的過程中還會產生新的問題。市場份額不斷下降的情況是客觀的，我們麵臨的問題與30年前、60年前和90年前沒有差別，即我們如何去阻止這種下降。數據隻能幫助我們去尋找更好的答案。更直觀的表達就是：
智能數據分析不是從深入的數據分析開始的，而要首先提出具有戰略性的初步設想（這個初步想法應具有一定的包容性，可以涵蓋企業經營中的核心指標）。在分析人員的組織方麵，原則上最好是由來自相關領域的同事組成一個創意工作組，如果決策層、外部專家和客戶也能參與進來，就更理想了。最好不要在自己的會議室裏討論，到外麵去租一間配有書寫牆和桌子的“創意實驗室”。如果在討論前能夠去到一些場所，親自接觸客戶，也是一個不錯的選擇，比如去產品旗艦店、營業窗口，或者去一個普通的銀行網點，靜靜地坐在角落裏，觀察一下客戶。
首先，按照不同部門描述企業麵臨的最大機遇和（或）存在的問題。會議的主導者必須注意，不要讓討論會向著歸納或者推論演繹式討論的方向發展。這具體是什麽意思呢？
此處我們指的是，創意討論會經常會出現一種情況，就是整個討論組都陷在一個思維方向裏，會從個別的觀察現象中推導出一些普遍原則，然後很快就會上升到對事物規律性的認識，尤其是當領導也有這種思維認識的時候。我們稱這種現象為歸納式思考。比較少見的是，一個創意討論組具有市場營銷的理論構想，同時也發現了自己的問題，但是卻忽視了所有理論上不會發生的情況。我們倒也經曆過這種推論演繹式的思維態度，這也是有百害而無一利的。
在一個智能數據分析流程開始之前，尋找到合適的起點問題的訣竅是，把自己看作一個成員，真正參與到整個思維活動中去。美國創新研究人員，例如湯姆·凱利（tom kelly），將其稱為“初學者心態”。這種在基本態度上有意識地保持一定開放性的做法，有助於我們不被過多的細節所迷惑，不受之前策略失利的影響，專心關注業務上的問題。這可以幫助我們去探尋不同問題之間的聯係，而在此之前，可能都沒有人意識到這種聯係的存在。
討論組新鮮但具批判性的觀點也滲透到了早先的一些認識中。起初我們認為，人們在感性上關於投入產出的估計與著名的帕累托法則（80/20法則）不是特別吻合。現在我們覺得，一些想法之所以會產生出來，有可能完全是因為出於某種原因，這一討論組更喜歡執行這種想法。總之，這些想法不能像變戲法一樣被憑空編造出來，也不應該被當作兒戲。此時我們需要做到明確地提出問題，業務問題越是被明確地提出來，越容易被轉化為一些初步的工作設想。在智能數據分析流程的早期階段，這些設想肯定是粗線條的，可以采用下麵的形式呈現出來。
我們的企業現階段為什麽沒有成長，存在以下5個主要原因：
☆對部分客戶來說，我們的產品太貴了，市場購買力沒有達到這種程度。
☆與競爭者相比，我們的外部營銷業績差。
☆在市場定位不精準。
☆對特定目標客戶群來說，我們的產品缺乏吸引力。
☆由於售後服務太差，導致我們流失了很多客戶。
在這個階段，數據分析隻有一個任務，就是推出基本觀點並進行論證。到了下一步，任務就發生了改變，創意討論組需要轉變視角，並思考：
數據怎樣能夠幫助我們尋找到解決上述問題的更優方案？
直白地說，就是將已經明確的問題寫在“創新實驗室”的書寫牆上（要是沒有，那就寫在掛圖上好了），然後討論組的成員（才第一次）通過頭腦風暴的方式探討具體方案，去發現新機遇或者去解決現實問題。通過這種方式，會獲得一個長長的入圍清單，列出數個有可能的具體措施，目的都是為了進一步釋放數據驅動的潛力。
下麵舉幾個簡明扼要的好例子：
☆我們必須優化產品設計，從而去吸引高價值貢獻的客戶群體；我們應該參照對照組實驗的結果，去摸清我們需要怎樣去修改哪些產品設計參數。
☆我們需要為我們的外勤人員配備類似ipad平板電腦的設備，通過與同類客戶數據信息的比對，這些電子設備可以給銷售人員提供諸如某一個客戶購買同類產品的記錄，以及促進某位客戶追加購買的具體營銷話術建議等。
☆通過綜合分析交易流水和市場研究數據，我們可以更好地理解客戶需求，並可以相應地調整目標客戶群體的宣傳策略，例如50歲以上的客戶。
☆如果我們通過數據分析可以更好地預測何時客流較大，那麽我們就可以更合理地分配工作人員，提高客戶滿意度。
☆如果我們能夠放寬退換貨的條件，從長期來看，便可極大地提高客戶貢獻度。通過市場潛力分析，我們應該能夠確認，在不影響盈利的情況下，我們在哪些業務上可以這樣做。
☆定期的促銷活動往往針對的不是低端客戶。恰當的分析可以幫助我們識別出潛力客戶，我們必須將優惠活動控製在潛力客戶範圍內。
一些小型企業偶爾會開展一些智能數據項目，在這些項目中提出的初步想法隻需示範性地具有一定抽象性就可以了。然後，便可以開始去探尋數據源頭，目的是更合理地實現為產品定價、滿足客戶需求或者是優化區域運營管理。然而，在一些大企業的智能數據項目中，按照不同的業務範疇和不同的價值創造階段，這些初步設想會被係統性地區分開來。此處就會用到在第3章中介紹過的“熱圖”工具，主要是用於結構化地詳細解釋並定量分析這些以數據為基礎的價值創造手段。這樣的話，一個項目可能會持續3~4個月的時間。
首先要有效提出優化措施，完成了這一點，就意味著智能數據流程的第一階段結束了。可以通過討論小組的方式完成這項工作。有時，高層管理者或者中層經理更願意獨立去完成這一階段的工作，他們或是整夜思考相關問題，或是與雇員和客戶直接交流，或是通過與it部門負責人的溝通，大體掌握通過哪些投入可以獲得哪種數據。麵對具體的決策事項，民主討論或者集中決策都是有其根據的，根據不同的事情選擇不同的決策形式。但是無論如何，需要堅持的原則是：
在問題清單的最上麵，必須列示最有可能獲得最大成效的措施。
有時，這些措施可能聽起來非常誘人，比如我們需要開發一個app，通過使用這個app，我們可以做到實時地識別客戶、了解並滿足客戶需求。但是，大多數時候情況卻是相反的，清單上的那些措施都聽起來非常切實、基礎，但最終隻能麵臨被徹底忽視的命運。 使用正確的數據
市場是單一客戶的集合。如果我們能夠準確地認識每一個客戶，了解他們的行為驅動因素、實際的購買行為，了解他們的統計學、心理學以及社會經濟學特征，了解客戶價值以及客戶需求（包括顯性及隱性需求、必要需求及願望），他們的信息獲得途徑，他們對廣告宣傳的反應及行為，他們可接受的價格範圍，購買前的考慮因素，每一個產品種類的顧客份額，他們的品牌忠誠度以及投訴行為，如果我們能夠將每一個客戶的上述信息都以數據的形式反映出來，我們就能夠獲得市場的全景信息，了解市場的全貌。從注釋學意義上講，是這樣一種概念：我們可以從細節的集合中獲得關於整體的認識，而通過全局性的眼光，我們也可以更好地了解市場和單一客戶。
我們可以從細節的集合中獲得關於整體的認識，而通過全局性的眼光，我們也可以更好地了解市場和單一客戶。
在《我們的數據》一書中，我們將這種理論上的市場全景圖稱為“市場拚接圖”。完全競爭環境下的市場主體可以隨時、按需要的“粒度”審視這張“市場拚接圖”。在《我們的數據》這本書中，我們認為，最好的地圖就是比例尺為1：1的地圖，但是這樣的地圖肯定很大，裝不進後備廂裏了。三年來的實踐經驗和其後的數十項智能數據分析讓我們更加相信，“市場拚接圖”很有可能會停留在一個自相矛盾的營銷夢想階段。在所有企業中（我們認為在所有企業中都是這樣），數據資源都在被荒廢，在尊重數據保護基本政策的基礎上，通過利用這些數據，可以總結出有效的市場營銷措施。
在進入智能數據流程的第二階段之前，我們先拿出之前列好的初步想法清單和熱圖。按照下列三個啟發性問題的次序逐一考慮清單上的假設。
☆目前我們已經掌握的哪些數據源可以幫助我們找到解決辦法？
☆我們缺少哪些數據，還想進一步獲得哪些數據？
☆通過（a）自行收集，（b）以信息互換的方式從合作方處獲得所需數據，（c）從外部購買所需數據，分別需要投入多少成本？
如果想有一個概括性的認識，那麽最好是視項目的複雜程度，采用單一或者複合圖表的形式，將數據可能帶來的增值（數據吸引力）和獲得數據需要付出的成本（數據可獲取性）之間的關係呈現出來。
通過梳理並理解既有和潛在的數據源，大多數企業反而找不到清晰的思路了。一個原因是，很多企業發現它們擁有的數據量遠遠超出它們的應用能力。這一點在交易數據上反映得最為明顯。但是，不能僅僅因為客戶信息數據庫不能與用戶產生相互作用，就認為數據庫中的數據是沒有意義的。我們需要趕快建立起一種意識，即隻有通過無負擔地審視我們具有功能障礙的erp係統數據，才能夠使“數據墳墓”[1]重新煥發生機。事實情況也往往是這樣的。另外，市場營銷人員需要意識到，出於數據保護原因導致的數據使用障礙越來越少，低於內外部數據管理人員宣揚的程度，尤其在涉及個人數據的使用與收集的時候。還有一種普遍認識漸趨流行，那就是在單一客戶層麵，缺乏交易數據並不會導致智能數據分析工作停滯，相反會使項目進行得更快。一開始就掌握較少信息的人，反而會更快地獲得相應的結果。這是因為掌握的數據越多，工作量也就越大，就越不易獲得結果。
同一個決策者，當聽到公司已經擁有200萬個客戶時，這也許對他來說是個好消息。但是，如果他隨後又聽到，在這200萬個客戶中，“我們隻掌握20萬個客戶的郵箱地址，而其中還有1/3我們無法確定是否還在被活躍使用”，那麽這個決策者可能會感到不安。市場數據並不能算是可靠穩定的信息，通過購買方式獲得市場數據也比我們想象的貴很多，這也是很多公司至今沒有花錢去額外購買市場數據的原因之一。
我們已經感覺到，在數據項目的這個階段，輿論氛圍發生了逆轉，期望借助分析工具從數據癱瘓中解脫出來比我們想象的還要艱難和耗時。我們還是先別這樣做了。在智能數據流程中的這個階段，如果想獲得成功，那麽項目負責人就需要馬上啟動以下步驟：
☆不用非要獲得大而全的數據量。試驗證明，基於現有30%的數據以及既有的數據質量開展數據分析，我們就可以獲得更好的增值。但同時闡明，這僅僅隻是起點，每一次數據迭代更新都會帶來驚人的“學習效應”。
☆係統性地尋找潛在的合作夥伴開展數據互換。他們可以是供應商、貿易商、金融服務提供商、通信公司或影響力較大的電視節目。這樣做的目的是建立一種網絡聯係，網絡參與者在數據方麵互相支持，以期獲得對客戶潛力更準確的認識（有時也包括對單一客戶的認識）。
☆盡可能準確地評估出，為獲得缺失數據我們要付出多少成本，以及這樣做可以為我們帶來多少增值。簡單地說就是，我們需要有一個確切的決策基礎，才能做出投資決策，從而才能獲得數字化競爭力。
☆尋找到解決問題的非常見做法。經驗表明，幾乎所有的數據問題都有一個創造性的解決方法，這個方法既不會拖延項目進度，也不會影響分析結果的準確性，但一樣可以解決問題。
舉個例子。在貿易中，一個典型的問題就是，我們不認識客戶。客戶進店的時候我們不知道他的名字，走的時候我們一樣還是不知道，除非這個客戶持有會員卡。我們可以期待，會發明一個客戶關係管理係統，通過藍牙、信標或者客戶app等方式，幫助我們識別進店的客戶是誰，並且將全套客戶信息發送給店鋪櫃台。但是無論如何，我們現在還不知道，哪些正在測試的係統將來會投入使用，以及有多少客戶會使用這些係統。
櫃台開出的票據和電子商店的運行數據均以百萬計，在初始階段，係統性地利用這些信息具有一定意義。與開展一個包羅萬象的大數據分析相比，此舉可以獲得一個基於客戶行為的客戶分類結果。我們肯定是要推廣這種crm係統的，但是當我們意識到存在這種相互作用的客戶分類，且據此實施了相應的市場營銷和企業運營措施，並積累了關於這些措施的效率和效果方麵的經驗之後，我們將能夠更智慧地推廣使用這個係統。
總結一下，當我們解決了如下問題，智能數據流程的第二階段就接近尾聲了。
☆我們了解了如何更好地走近客戶。
☆我們了解了需要哪些數據輔助我們尋求問題的解決方案。
☆我們知道，在不增加公司技術、人力和財務成本的情況下，我們如何獲得所需的數據。 客戶需求理解
“更好地了解客戶需求”。這九個字可謂是數據革命給予服務業最大的承諾。作為全球最大的在線商店，亞馬遜很好地示範了在數據庫基礎牢靠的情況下，針對單一客戶市場，它是怎樣將數據革命的願景轉化為現實的。在線商店將數據資源嵌入到它們的係統中，作為發貨商，在線商店可以獲取所有客戶的名字和地址信息。通過分析在線消費者留下的信息痕跡，在線商店可以更準確地定位到潛力客戶群體。雖然在線商店不是真的對它們的消費者有私人了解，消費者對它們而言隻是以不同的ip地址形式而存在，但光是這些ip地址也留下了內容豐富的購物信息，這對在線商店來說有很大用處。
“更好地了解客戶需求”。這九個字可謂是數據革命給予服務業最大的承諾。
很多與我們合作過的公司，本身都不是純在線供應商。它們一般都來自相關領域，後來創立並擴展了數字化業務。它們服務於單一客戶，並且會要求雇員盡量去滿足客戶的個性化訴求，並提供客戶谘詢。但是它們現行的市場營銷和企業運營措施中的絕大部分是基於客戶細分，或者說是基於一種建模——這個模型致力於尋求客戶行為的普遍規律。
客戶細分的意思就是，將市場細分為不同的客戶群組，每一個群組的客戶都具有同質化的消費行為。或者更確切地說，按照做出消費決策之前相同或者盡可能相似的決策因素，將客戶進行分類，但是不同的決策因素最終產生出相同的決策結果也是有可能的。不同客戶群組之間，在消費行為方麵最好界限清晰。在書本中，這屬於邏輯的同一性原則，但在實踐中情況可能還不一樣。
在智能數據流程進入第三階段之初，我們需要先係統全麵地評價公司現行的客戶細分情況。然後我們會很快地發現，不同部門之間遵循著完全不同的客戶分類邏輯。在一個企業集團中，往往會有數十種客戶分類共存。當我們係統梳理並回顧之前的工作，會呈現出如下情況：
☆營銷戰略部門按照心理因素進行客戶分類，致力於探究客戶價值和客戶需求。這方麵的一個例子就是目標客戶模型sinus milieus，或稱sigma milieus，即基於人群的市場細分模型。除了社會階層從屬（即社會地位）之外，這個模型還考慮了其他一些主要的影響因素，例如傳統、現代化（個性化），還有自身重新定位等。戰略規劃者認為客戶分類應基於他們的生活環境，這對企業的長期定位和戰略規劃來說無疑是有意義的。
☆產品營銷部門優先考慮的是消費者類型。這基於一個根本性問題：對於某個具體產品或者服務，我們如何能辨別出一個人
?是否知道這項產品或服務
?是否需要這項產品或服務
?是否會購買這項產品或服務
☆典型的客戶一般會具有x、y、z等共性特征，一般我們叫這類客戶jens m。
☆運營部門會從交易數據、需求數據和潛力數據維度進行客戶分類。經營部門會根據a、b、c類客戶或者相應的a、b、c類潛力客戶的營業額貢獻情況，優化拜訪客戶的頻率。
在各行各業都存在著這種或好或壞的客戶細分。我們也看到，各個層麵的市場主體都在努力嚐試，通過利用更優質的數據達到更精準的客戶分類，為客戶分類補充新的維度和標準，使之達到與時俱進的水平。這樣做肯定是對的，也有好處。但是卻沒有解決一個根本性問題：
在一個企業中，如果同時存在太多的客戶分類，那麽相應推出的市場營銷手段將在市場上呈現“打亂仗”的狀態。
誇張點兒說，在很多企業中，客戶細分的實際情況是這樣的：一個粉刷匠、一個木匠和一個做窗戶的人要合作蓋一間房子。但他們對於業主的實際需求和想法卻有著完全不同的看法。他們之中，一個隻說德語，一個說波蘭語，一個說葡萄牙語。更糟糕的是，既沒有工長，也沒有建築師帶著他們一起施工。
有時候，在客戶細分方麵缺乏一致性的影響並不明顯，因為不同的部門終歸還是在市場上各自為戰。繼而可以預見到的是，適用於某一個部門的廣告傳單，可能沒有具體反映公司的整體情況，也未對公司整體業績產生積極影響。這種傳單對促進銷售額增加的作用也就一目了然了。
相對較大的智能數據項目的目標之一，是將公司內部關於客戶的不同視角和觀點整合協調起來，這樣，營銷戰略部門、產品營銷部門和運營部門就可以建立起具有一致性的客戶理解。現在對此比較流行的表述是：集成分類。
在理想情況下，客戶集成分類是這樣的：公司內所有市場營銷以及和運營相關的職能部門都使用同一個由社會人口統計學、心理變量、交易數據信息聚合而成的信息池。我們可以把這個信息池想象成一個多維立方體，it專業語言稱其為p數據集，p意即聯機分析處理。通過持續性地分析客戶考慮問題的視角，數據集可以推測出影響購買的因素，並建立對這些因素的統一理解。反過來，一旦這種統一理解得以建立，公司內所有的部門就可以或者必須重新審視一下自己部門所處的這一環節，並調整自己的工作，使其與部門的職能定位與工作任務相符。
綜上所述，持續性地思考並貫徹集成分類的好處有兩個：
☆集成分類將可得信息整合起來，讓我們更好地了解客戶；
☆集成分類為公司各部門提供了統一的客戶描述，在很大範圍內減少了因各部門之間客戶理解不同而對客戶營銷帶來的“摩擦損失”。
理論上的東西就介紹到這裏。數據分析領先者會越來越多地將理論應用於實踐。對此，他們需要具有戰略性的遠見，並對理論轉化為實踐的過程有足夠的耐心。但我們相信，這種投入是值得的。
大量研究證明，從長期來看，以客戶為中心是最重要的競爭優勢。市場越是朝著以客戶為中心的方向發展，就越需要清楚準確地掌握客戶情況。在一開始越是看重客戶細分，客戶細分的邏輯越精確，那麽後期在策劃和執行市場營銷措施方麵的投入就越少。
大量研究證明，從長期來看，以客戶為中心是最重要的競爭優勢。市場越是朝著以客戶為中心的方向發展，就越需要清楚準確地掌握客戶情況。
還有一點對智能數據項目來說也很重要。如果在未來的1~3年內，沒有機會將研究理論轉化為實踐，那麽建立在所有部門的可得數據基礎上的集成細分邏輯也不會有什麽用。智能化的客戶細分是迭代發展的，意味著包括子項目和測試在內的持續投入，這些子項目和測試在公司中獲得了積極的關注，並為智能項目的開展掃清了可能存在的障礙。
我們將這種做法稱為智能數據分類。
需要注意以下幾方麵：
☆智能數據分類的起點，是智能數據流程的第一和第二階段所總結出來的初步想法以及問題清單。它們能夠提示我們，哪些關鍵領域需要進行細分，甚至包括相關的細分維度。
☆必須讓之後直接或間接從事客戶需求滿足的部門工作人員參與客戶細分。如果讓營銷戰略部門自己去考慮需要涉及的部門，而沒有把實際與客戶接觸的部門考慮在內，那客戶細分工作也不會產生效果。
☆智能化、集成化的客戶細分需要具有一定的超前性，要通過識別與未來客戶細分相關的關鍵性問題或標誌性特征，嚐試預測與其他行業領域的融合問題。
☆信息的數量經常不如期望中的那麽多，信息質量也不盡如人意。我們可以先從規模小一些的信息池開始，著手做一些簡單的關聯測試。有時候，包含購物記錄和客戶關鍵特征的幾百個電子郵件地址就足夠了。如果這些測試顯示項目大有希望，那麽接下來我們便可以去考慮逐步提高可用的源數據的占比。
☆當智能數據分類與（大）數據革命的時代精神相悖時：在智能數據分類時，要有勇氣對某些有幫助的參數“說再見”。當我們確定，可支配收入因素對購買決策的影響程度是地域環境從屬性因素的50倍以上時，未來我們就需要將環境數據排除在考慮範圍之外。此時也要考慮80/20法則。
☆一個時常被低估的數據來源是“丟單分析”。這對價值高、數量少的產品和服務作用明顯。經驗證明，客戶非常樂於回答某些問題，比如你為什麽沒有購買某輛車。當一個客戶在一次試駕過後，就再也沒有出現在汽車店裏時，我們必須要聯係他並且詢問他問題出現在哪裏。此時，從相對小的“丟單分析”信息池中，我們可以歸納出有價值的認識，並采取相應的市場營銷手段。
當大數據解決方案嚐試從盡可能多的數據中意外地發現事物之間的聯係或者分類時，智能數據集成分類是有目的地先行一步。起初，隻是處理一些日常可得的數據信息，例如交易數據。基於所有關鍵數據點，數據科學家可以將所有交易數據進行統計學分類，以行為作為分類依據，將數據分為不同的群組。接下來，可以總結出一些具有說明性質的數據特征，例如人口統計學特征、客戶價值和需求等。明確的數據特征使提出適合的“獨特的銷售主張”（簡稱usp，詳見智能數據流程第四階段）成為可能。基於交易數據的基礎客戶細分再反過來促進我們與客戶的日常溝通。
客戶細分黑盒子
客戶細分的目的是，基於現有數據的特征，將客戶識別為盡可能同質的，或是盡可能彼此異質的群組（簇）。在將相似的要素進行分組或在發現數據中潛藏的模式方麵，存在著不同的操作方法，這些方法源自機器學習領域“無監督學習”範疇。最重要的幾個分類操作方法如下：
1.分層聚類分析
這種操作方法是基於前期已經識別出來的數據特征（例如通過識別市場上同質化群組的社會人口統計學特征、使用行為和觀念）測算出被觀察者（個人或公司）之間的差異，並據此建立矩陣。這個矩陣也分為許多行，同數據庫中被觀察者的分類占比保持一致。被觀察者之間的差異涵蓋了所有已識別的數據特征，並且可以通過不同的方法計算出來。在分層聚合的過程中，一對兒被觀察者在一個循環流程中被反複概括比對，就連最小的差異也會被發現。這個流程會一直不停地循環重複，直到所有的被觀察者都被納入某一個簇中。這個積聚的過程可以通過多種不同的算法實現。比較常見的算法包括單聯聚類法（即sl聚類，又稱鄰近算法）和凝聚層次聚類（沃德法）。根據算法之間不同的聚合邏輯，會產生不同的聚合結果。采用單聯聚類法可以識別出一些較小的邊緣群體，若采用凝聚層次聚類法，那麽簇的規模一般會比較均衡。
分層分析方法的優點是，不需要事先就知道簇數，而是借助於統計學參數預估出理想的簇數，從統計學的角度出發，理想簇數的確定需要考慮到組內同質和組間異質之間的平衡問題。分層分析方法的缺點是，計算量非常大，且隻適用於小規模的數據量。很多時候，分層分析方法被用於分析通過社會調查形式獲得的數據。分層分析流程也適用於從大數據中進行隨機抽樣，目的是獲得穩定的分類並且確定簇的數量。後續，數據科學家會采取分區操作，將聚合結果擴展到整個數據庫。
2.劃分聚類分析
在分層聚類分析過程中，不需要事先就確定簇的數量，這對模式探索型的聚合分析流程來說是一大優點。然而，在劃分聚類分析中，必須要預先就確定好簇的數量。總體來看，劃分聚類分析的各種方法間存在共性，都是根據預先確定好的簇的數量選擇出相應數量的對象，將每個對象的初始值作為單一簇的平均值或者中心點，然後反複調整聚類劃分，直到誤差函數最小化為止。其中，最著名且應用最廣泛的誤差函數是k均值（k-means）算法：先根據既定的簇數隨機選擇出相應數量的對象，將這些對象的初始值作為每個簇的平均值，對剩餘的每個對象，根據其與初始均值之間的差異程度，將其歸入相應的簇。然後再重新計算每個簇的誤差函數平均值。這個過程不斷重複，直到每個簇中各對象的差異不顯著（或者說誤差最小化）。
劃分聚類分析中還有一種算法是k中位數（k-medians）或者模糊c均值（fuzzy c-means）。k均值的最大好處是，它尤其適合大規模的數據分析，因為它在算法方麵不像分層聚類分析那麽複雜。但是k均值算法的問題在於對異常值的敏感度過大，偶爾會導致十分小的聚類被劃分出來。另外，該算法是基於隨機選取的初始值，因此在反複調整過程中，劃分結果不是很穩定。此外，結果缺乏可再現性也是缺點之一。分層聚類分析可以補償劃分聚類分析的缺陷，因此可以將分層聚類分析中產生出的聚合分類結果作為k均值分析方法的簇數起點值。
3.密度聚類分析
密度聚類分析背後的邏輯是，將被觀察者視為一個空間內的點，盡管這些觀察者之間存在很多差異化特征。首先我們要識別出這個空間內的高密度區和低密度區，並以此為基礎建立起簇。這種分析方法的核心流程就是所謂的“具有噪聲的基於密度的聚類方法”（density-based spatial clustering of applications with noise，簡稱dbscan）。根據這個空間內點之間的距離，我們會識別出密度最高的區域，並將這個高密區內的點作為核心點。還有一些點處於中等密度區域，我們將這些點稱為邊界點，被歸至周邊的簇。還有一些點，分布非常稀疏，我們將這些點稱為噪聲點。dbscan分析方法的優點之一，是不需要提前就確定簇的數量，這與分層聚類分析法有異曲同工之妙。與k均值分析法相比，dbscan方法具有一個關鍵優勢，即可以識別非線性聚類，並可以有效對抗異常值。但是當空間簇的密度不均勻、間距差相差很大時，dbscan聚類質量較差。dbscan是相對比較新的聚類分析方法（1996年才被提出），目前已經發展成為機器學習領域最重要的算法之一。
4.模糊聚類分析
目前既存的係統化聚類分析流程都是將一個因素明確地歸入某一個簇中，這是所謂的“硬流程”。模糊聚類分析屬於“軟流程”，即某一個因素可以被歸入一個以上的簇，換句話說，就是在識別聚類從屬性的不同等級。模糊聚類分析中最有名的算法是模糊c均值（fcm）。首先假定每一個被觀察對象都能夠或者傾向於被歸入一個簇，那麽處於簇中心位置的被觀察者歸入這個簇的可能性高一些，處於簇邊緣的被觀察者納入這個簇的可能性相對低一些，或者說簇邊緣的被觀察者也有可能被納入其他簇。
從技術層麵上看，模糊聚類分析的邏輯與k均值算法類似。模糊聚類分析這一設想的目的是，實現一個被觀察對象被歸入不止一個簇中，這在某些特定的應用案例中更具現實價值。如果市場和客戶細分部門希望獲得明確的聚類結果（例如要去評估某一聚類集合的市場潛力），在對客戶針對不同商品種類的消費行為和購買決策進行統計分析時，多維的聚類可能更有意義。例如，為了精準定位並營銷旅行社潛在客戶，我們可以利用模糊聚類分析方法，通過分析交易數據信息，從而去識別客戶的旅行類型。此時，有些客戶或被歸入多個特征組，例如海灘度假組、城市遊組等，這可以幫助我們為客戶提供多樣化的選擇。
多維度的統計學細分流程如果想起作用，那麽首要的就是對使用者而言，分類結果不能太寬泛。舉一個分類結果寬泛的例子：有一個關於消費者的聚類分組，組中九成的消費者收入較高；85%的消費者是穩定客戶，並且會關注商品的質量、安全性和售後服務；組中的消費者平均家庭人口在2~3人之間，每月平均支出980歐元用於家用，這其中有430歐元都是在同一家商店消費的。企業如果希望通過聚類分析來獲得決策支撐，那麽分類結果所要描述的特征應該盡可能少，並且清晰可辨，這樣對企業來說容易理解、易於操作。
所謂的“好問題”（power questions）可以幫助我們，將客戶歸於某一細分類別中。例如可以這樣提問：
☆客戶會購買名牌商品嗎？
☆客戶每個月是至少給我們支付400歐元購買生活用品嗎？
☆客戶基本上80%的結算都要通過轉賬完成嗎？
☆客戶買嬰兒用品嗎？
“好問題”的答案是明確的，通過這些答案可以建立一個決策樹。通過決策樹調整統計學聚類分析結果，我們會發現，聚類分析不一定能夠百分之百貫徹下去。在理想情況下，90%以上的客戶會被明確地歸入某一類。70%~80%的聚類程度是可接受的水平。如果聚類水平低於70%，就不足以獲得清晰可辨的分類結果。原則上，我們此時就可以判斷我們初步設想有問題。在這一點上，大家的觀點也不統一，不過及早地意識到這一點，並提出新的設想，重新運行一次智能數據分析流程，也沒什麽壞處。不準確的細分無疑會導致瞄準錯誤客戶或者采取錯誤的市場營銷措施，從而給公司造成損失，重新運行總比遭受這些損失要好。
同時，即便是達到90%聚類水平的最好的細分情況，如果客戶服務人員不能理解或者不能夠正確使用，那也是惘然。這聽起來是理所當然的事情，但是在實踐中卻經常被忽略。
對此，我們在一個世界領先的it生產商的大項目中感觸最深。企業總部的戰略營銷部門邏輯清晰地為大部分b2b聚類分組都起了名字，比如“印刷發燒友”或者“累垮的工人”。然後成立了產品設計部門，並製定了產品戰略。遺憾的是，處於銷售環節的員工無法理解什麽是印刷發燒友，哪些人又是累垮的工人。
智能數據細分能夠幫助我們有效減少、簡化聚類結果。首先，我們分析易得的交易數據，根據交易額信息確定出所需聚類。接下來，我們轉而分析市場研究提供的購買決策信息和有關公司構架的信息。然後，我們製作有針對性的廣告，並將廣告信息準確傳遞給正確的目標客戶，達到90%以上的“擊中率”。這樣可以減少瞄準錯誤客戶的情況，並且可以提高廣告的有效性，使廣告的效用與增額投入成正比。
市場營銷人員不需要精通，也不需要深入理解這些數理統計學原理。但需要知道的是，原則上，對交易數據的分析是起點，進而去分析交互數據和市場研究數據。智能數據分析和傳統的聚類分析方法的目的一樣，都是盡可能地分析出同質群組中清晰可辨的消費者行為特征。獲得一次性、靜止的分析結果不能算作數據分析成功，我們需要的是每月、每天甚至是實時都能進行動態分析。
智能數據分析和傳統的聚類分析方法的目的一樣，都是盡可能地分析出同質群組中清晰可辨的消費者行為特征。
產品設計部門的可視化工具特別適合用來展示聚類分析結果。例如，用情緒板展示特定類型客戶的生活空間，或者利用mockups產品原型設計工具呈現出與真實大小一樣的實體模型，使同事們對聚類分析結果產生感官上的認識。還有一些企業實現了進一步發展，引進並使用了設計思維工具。它能夠讓使用者產生身臨其境的感覺，仿佛坐在目標客戶群體的起居室中，或者仿佛自己是一個客戶谘詢顧問，坐在一個特定觀察環境中的角落裏，靜靜地觀察並分析客戶行為，此時，對客戶分類將會有更敏銳及清醒的認識。
真正的智能數據聚類分析
讓我們暫時先把市場營銷的事情放下。在一個廣告宣傳和產品銷售更完善的世界中，極其智能化的客戶聚類分析應該是什麽樣子的呢？我們可以設想一下。在這個世界中，宣傳這個概念不再適用了，因為一對一的交流更像是對話，而不是宣傳。針對具體的交易是如何發生的問題，產品價值和客戶社會從屬性因素的指導意義也逐漸弱化。我們不再按照年齡、收入或者最喜愛的汽車品牌等因素劃分潛在客戶類型。我們已經意識到，消費者本身具有複雜的特質。對於每一個消費者而言，在其做出每一次購買決策時，考慮的因素都是完全不同的。真正的智能數據聚類分析可以告訴我們，在不同的消費情境下，影響單次購物決策的因素都有哪些。相應地，以具體客戶為中心，可以為每一次購物決策提供量身定製的分析結果。在極限情況下，每一個細分類別中僅存一個客戶。
換句話說就是：在每次市場營銷措施實施之前，基於重要的購買影響因素，一個反應性能良好的、持續自學習的it係統會整合出一個全新的聚類，並將單一客戶有目的地歸入其中。
為了進一步說明這一點，我們拿銀行業舉例子，銀行業受製於嚴格的數據使用限製，目前還沒能夠做到精確地滿足客戶需求。將來，銀行不需要再按照年齡、收入等標準將客戶歸類，例如這個客戶31歲，月收入2600歐元，按照儲蓄賬戶的工資記錄可以推測出他在一個大集團的子公司工作，他有一輛大眾polo汽車。相反，即便這個客戶還沒有在銀行開立貸款賬戶，銀行也知道，無須再去向他推薦住房抵押貸款業務。因為，這個客戶剛剛被係統歸入了一個新生成的聚類中：他是一個小朋友的父親，住在一個新建住宅區內，且已經擁有了房屋近100%的產權。
我們應該允許銀行合法地使用這些數據，因為it係統早就可以完成對客戶的動態實時分類了。我們不應該讓真正的智能數據聚類分析僅停留在想象階段。我們從銀行的客戶關係管理係統和賬戶信息中可以輕鬆訪問這些數據。產生的統計費用很直觀，且操作簡單。銀行的客戶不會再收到標準化的銀行通知單了，取而代之的是真正符合每個客戶實際情況的通知單。這樣，客戶會覺得銀行十分清楚他們的需求，最終，這會為銀行帶來更大效益。 提出自己獨特的銷售主張
我們如何能夠使我們的產品與客戶需求相適應，從而……
☆提升某一個已識別的聚類中客戶的購買意願呢？用市場營銷術語表達，就是我們能夠常常讓客戶按下“購買鍵”。
☆提升必要的市場營銷措施的盈利性？或者我們可以準確地預見到，哪些市場行為可以讓我們實現盈利。
這兩個問題的答案就是智能數據分析流程的下一階段：提出自己獨特的銷售主張：此處我們探尋的是“是什麽”的問題，即我們要改進產品的哪些方麵。至於“怎麽做”的問題——我們希望如何滿足客戶需求，我們放到下一階段去討論。
在探討“是什麽”時，經常會出現的情況是討論泛濫。原因是，這個問題的答案範圍本身就很寬泛，答案有可能是“我們需要適當調整一下直郵策略”“在周末開展打折促銷”，或者“做廣播廣告以提高知名度”，甚至是“我們還是幹脆換一種產品吧”“我們需要徹底改變我們的網點選址策略”。
在智能數據框架內，我們會去嚐試係統地調整一個產品所有可能的變量，這項工作需要由一個複合型的專家團隊來完成。需要注意的是，在著手工作之前，要清楚地定義出產品變量的範圍，例如價格、顏色、打捆、包裝、產品說明書、附加金融服務。後續，不同的信息會被分別歸入這些變量範圍內。
在智能數據流程的這個階段還需要注意，智能化意味著，在可預見的時間內具有實現的可能性。在一個月之內或者一年內，我們究竟能夠將哪些成果轉化為生產力？做完這些之後，我們又通常會獲得什麽？
為此，我們需要關注一下通過數據獲得的新認識：
☆客戶需求（尤其關注老客戶需求）
☆渠道偏好（尤其關注口袋份額較低的客戶和潛在新客戶）
☆購買驅動因素（價格、產品、種類、谘詢、服務、地點便利、舒適性）
問題的答案與使用場合高度相關。但實際上，根據案例經驗，答案也會因以下幾方麵因素而有所不同：
☆在x客戶分組內，有可能通過捆綁銷售實現交叉銷售。
☆在y客戶分組內，具有通過提供更高附加值產品實現向上銷售的潛力。
☆在z客戶分組內，清晰說明服務內容，可以有效提高客戶口袋份額。
☆當我們擴大或者縮減產品種類時，我們可以獲得新的客戶分組。
☆當我們改善客戶谘詢服務後，我們可以優化a客戶分組內的客戶關係。
我們這樣做的目的，不是去創造出一種產品，使其能夠適應全部組別客戶的需求。能做到這樣當然好，但這不現實。相比之下，我們更需要做的是，塑造出具有現實意義的、有市場吸引力的、能夠經受住市場考驗的產品線，並以數據為基礎，不斷地去優化它。
我們後續還會詳盡地論述這一問題，這裏先提一下：
我們的目的是要搭建一套自學習係統。
通過在各分類組中的係統性對照實驗，我們可以檢測出，哪些產品變量在哪個客戶分類組中可以取得最大的盈利效果。然後，在智能數據流程的下一階段，我們可以進一步地校準我們的認識，綜合考慮銷售時機、銷售渠道等因素，使usp更加具有針對性，從而一步步挖掘客戶潛力。
然而，特別是在智能數據流程的第四階段，提出具有普遍性的智能usp和市場營銷法則是很難的，甚至不可能，這是由第四階段本身的性質所決定的。因此在本書的第三部分，我們會列舉很多案例，這些案例試圖去提出獨特的銷售賣點，為智能化的客戶營銷（在對的時間、采用適當的營銷話術、提供適合的產品）奠定了基礎。 正確地吸引客戶
如果我們想更好地吸引客戶，我們就必須要知道，在購買之前，客戶是怎麽知道這個產品的，他在來買東西的路上都經曆了什麽。即便在數字化時代，還是需要了解這些情況的。數據僅能夠幫助我們，在每次與客戶實際接觸的“觸點”，豐富我們對客戶的了解。上一句話的重點是“每次”。
如果我們想更好地吸引客戶，我們就必須要知道，在購買之前，客戶是怎麽知道這個產品的，他在來買東西的路上都經曆了什麽。
在每個“觸點”，無論是當前、潛在或是老客戶，都或多或少地對一個商品、一項服務、一個品牌或者一家企業有所了解，即客戶有前期的客觀知識儲備。但是同時，客戶也會有感官認識，或強或弱，或正麵或負麵。（潛在）客戶基於認知和情感兩方麵的經驗，會在內心勾勒出關於產品、品牌或者企業的形象，即所謂的印象。印象經常與態度密不可分。
相應地，在智能數據分析流程第五階段首先要做的是，沿著下列引導性問題的思路，分析客戶的“觸點”。
☆目前，我們究竟是在哪裏與客戶產生接觸的？
☆我們在那裏究竟是怎樣與客戶產生相互作用的？
☆我們通過現行的交互方式想取得哪些效果？盡管人們都喜歡強調自身的優點，這是可以理解的，但係統地關注一下引起客戶不滿的業務記錄也很重要。我們經常能夠在分析不滿意客戶或者已丟失客戶的過程中，發現改善客戶服務的最重要措施。
☆迄今為止，我們還沒有與哪些（哪類）客戶產生接觸，或者鮮有接觸？
在總結並了解了在既有“觸點”的互動情況的基礎上，我們可以開始考慮一個問題：對某一聚類客戶來說，可能的新“觸點”有哪些？采用何種措施可以對他們產生怎樣的效果？此時，關注一下其他行業、國家，尤其是其他創新型企業的經驗，可能會有所幫助。
客戶旅程究竟將我們引向何方？
客戶旅程是一個客戶所有“觸點”的集合。大數據在市場營銷方麵許下的最大諾言是：基於充足的數據，我們可以估算出每一個客戶在“客戶旅程”中的行為順序，並引導這些行為向有利於我們的方向發展。穀歌和蘋果宣稱它們可以做到這一點，並宣稱這樣對它們的數字產品有好處。此外，就沒有人再能夠做到這樣了，就連亞馬遜也不行。
在可預見的時期內，在大多數市場領域，我們並不認為單一客戶的“客戶旅程”是可以全然被預測並操縱的。不同客戶的“客戶旅程”是完全不同的，它與情境密切相關，且十分複雜，已經超越了我們當下能夠近似模擬的程度。甚至連客戶自己也不清楚自己“客戶旅程”的下一步是怎樣的。每一個客戶在每一次購買決策之前，都越來越頻繁地改變選擇方向和購買目標，走了未預見到的捷徑或者彎路，迷失在決策邏輯中，或者選擇了其他種類的商品。總之，詳細地去分析個人的“客戶旅程”的效果低於預期，且與運營費用投入無關。很快就會產生邊際效應。
然而，如果把“客戶旅程”概念作為總體方向性框架或者至少是一種思維模式來看，卻是十分有價值的。它可以幫助我們確定，在每一次我們與客戶具體接觸時，客戶處於“旅程”的哪一個階段。某一客戶是剛開始對一個商品感興趣，還是對某一個商品的興趣已經逐漸增強；是已經開始考慮購買，還是說僅需再營銷一下就肯購買了。它能夠幫助我們建立與客戶新的“觸點”，檢測這些“觸點”在“旅程”中的意義與作用，同時，隨著時間的推移，我們可以更好地了解客戶喜好。更重要的是，通過早期並持續地關注“客戶旅程”概念，我們得以對“客戶旅程”與“觸點”概念有更好的理解，不會因無知而在新的數字化或者固定“觸點”（例如app或者分支機構）方麵大量投入，致使企業遭受損失。目前，企業在理論層麵發現了很多“客戶觸點”，並在從理論向實踐轉化方麵進行了大量投資。但遺憾的是，這些投資決策並沒有考慮到這些“觸點”是不是客戶所希望的，這些“觸點”在“客戶旅程”中發揮什麽樣的作用，同樣，也沒有衡量這些“觸點”的效用。舉個例子，如果我是一個汽車生產商，隻有當我清楚了，固定的貿易基地將來會在“客戶旅程”中發揮怎樣的作用，我才會知道如何去安排和設計這些基地（可以將貿易基地與數據化“觸點”相結合，例如在貿易基地中使用“組態程序”來測算汽車貿易商的到店頻率，還可以在貿易基地中安裝電話會議設備），才會知道我需要保有多少基地才夠用。我們並不是通過在方案設計階段不停地思考來獲得這些問題的答案的，而是通過在一開始就智能地利用數據，不斷進行試驗，同時分析試驗的結果。
以智能數據為基礎的市場營銷會分析每一個“觸點”的數據，在策劃市場營銷手段的時候會參考分析結果。我們需要始終去關注，采取某種市場策略是否值得。我們不需要去滿足每一個我們認為有價值的客戶需求，因為這樣做成本太高。聰明的企業會為客戶提供多種選擇，去塑造客戶的“客戶旅程”，使之向企業所期望的方向發展。
根據簡單的邏輯，團隊就可以將已有及可能的“觸點”劃分先後順序：
1.哪些“觸點”對哪些目標客戶群體是真正重要的？
2.哪些因素會加速或延緩“客戶旅程”，且客戶會在後續“旅程”中仍然需要這些因素？
3.在一個客戶聚類中，在每一個“觸點”，哪些因素可促成購買？
4.在每一個“觸點”，我們可以通過采取哪些措施提升市場營銷效果？
就這樣，就是這麽簡單！此外，還有一個關鍵點：
5.需要為在每個“觸點”上采取的每個措施界定一個衡量效果的標準。隻有在一個“觸點”起到的作用很清晰的情況下，我們才能夠理解它在“客戶旅程”中的功能定位。如果我們無法去界定在某個“觸點”上采取的一個或多個措施有效與否，那很可能是這個“觸點”本身的認定有問題，或者建立這個“觸點”是多餘的。
智能數據流程是一個自學習係統。我們最終采取的各種市場營銷措施，其實質是一種假說。如果我們認真地踐行了智能數據流程的第1~4階段，那麽這些假說的命中率將會很高。我們在每一個層麵都秉持著效率優先的原則，因此這些措施的投入產出比會相對較高。但是，這些措施是否真正起作用，我們也隻有在嚐試過之後才知道。就如同我們必須去嚐試投放不同的產品組合一樣，我們也需要通過嚐試來檢驗各個“觸點”的效率和作用。最終，我們才會認識到，在哪個“觸點”、針對哪些客戶、通過采取何種措施能產生最大效果。
智能數據流程是一個自學習係統。
“嚐試”在此處是一個無害的行為。在智能數據範疇內，“嚐試”具體可理解為：我們需要將想法付諸實踐，並評價實踐的效果，否則的話，我們就無法兌現承諾並發現其他潛在可能性。
具有數據基因的市場參與者區別於普通市場參與者的一點是，他們具有衡量“觸點”實際效用的能力，能夠將有效的措施移植到同類或者他類客戶群體中去，並且他們會迅速終止無效措施。
通過這樣反複的迭代更新，我們將能夠更好地滿足更多客戶的需要。
智能數據市場營銷的“黑盒子”
物理學家和統計過程控製的創始人威廉·愛德華茲·戴明（william edwards deming）曾說過：“我們隻信仰上帝，其餘的人都得拿數據說話，我們才會相信他。”
數據本身對市場營銷是沒有價值的，隻有通過統計學過程去處理分析數據，才會帶來有益的認知。不同的分析目標，需要的統計學流程也是差異化的。在此，我們大概介紹一下：
☆如果需要去發現數據中潛藏的範式，在市場營銷過程中，大都是希望去識別同質化或潛在的客戶群體，那麽可采用聚類分析流程。
☆如果需要去分析並評價已確定的kpi（即關鍵績效指數，例如romi，市場營銷投資回報率）的驅動因素，統計學家大多會采用驗證性因子分析方法，特別是回歸分析。這種分析流程的目的是，盡可能地通過其他因素去解釋一個目標變量，並且揭示出不同因素對這個變量的重要性及作用強度，以期能夠實現對kpi的有效管理。驗證性因子分析方法最常見的應用是用於市場營銷有效性研究項目。
☆如果需要去評價多渠道的效用或者去評價企業市場營銷效率的標杆管理情況，那麽可以采用數據包絡分析方法。這種致力於績效優化的分析方法是基於一種理念，即為不同的公司或者眾多渠道的投入變量設置相應的產出水平。這個分析方法的優點之一是，每一個分析流程僅需為數不多的數據點。
☆在數據驅動的市場營銷中，最常見的分類問題是將人分配至既存的聚類組中。借助決策樹可以建立起最優分類原則，盡可能地將人員分配至恰當的分組中。決策樹是最有效的分組方法之一，應用方式極為靈活，易於理解接受，並且通過算法的不斷優化，例如隨機森林算法，決策樹也適用於較大量的數據分析。
☆亞馬遜開了一個好頭，現在所有的企業都想擁有一個好用的推薦引擎，以此實現自動生成個性化的推薦建議，最大限度地匹配客戶的喜好，盡可能地促進銷售。此時，可采用下列兩種方法：
1.關聯分析方法：這是一個很簡單的分析方法，尤其適合於“購物車”研究，用於尋找經常被同時購買的商品。如果想使用這種分析方法，我們需要擁有完整的匿名交易數據。
2.協同過濾分析方法：這種分析方法是通過對比客戶（例如網站用戶）的喜好和購買情況，實現向客戶推送個性化推薦建議。從嚴格意義上來看，與其說這種方法是一種統計學算法，倒不如說是一種特殊的過濾和比較邏輯。這種方法具有應用簡單、運算強度低等特點，因此特別適用於處理大量數據。這種方法的缺點是，我們必須先期對目標客戶有一定了解，才能為其推送有價值的推介信息。我們對客戶的了解越多，我們越能夠為客戶提供更好、更精準的建議。這跟此前提到過的自學習係統概念是相吻合的。 結論：實現增值
與傳統的聚類模型和與之對應的市場部門相比，智能數據分析至少可在下述5個層麵為企業帶來可量化的競爭優勢：
☆聚焦企業經營中出現的實際問題和發展潛力，可以促使企業明確目標和措施，這個恰恰是許多具探索性的數據項目所欠缺的。
☆由於擁有更好的（高聚合性、智能化預分類）數據基礎，智能化的聚類可以更準確地描摹某一聚類中客戶的實際購買行為。此外，可被明確歸入某一聚類的客戶比例有所上升。由此，在理想情況下，在單一客戶層麵，我們采取的市場營銷措施可以更加精準地發揮作用。
☆我們有（越來越多的）可能去正確評估某個單一客戶在某個商品或者具體商品組合上的銷售額貢獻潛力。
☆通過設置“觸點”優先級，我們可以顯著提高滿足客戶需求的效率。
☆通過動態利用統計學分析，我們可以更好地調整針對單一客戶的市場營銷與經營活動。
總的來說，在智能數據流程中，我們可以基於更智能化的聚類分析，總結出具有良好投入產出關係的市場營銷措施。此處，智能數據聚類分析起到了決定性的作用。因為，得益於規律性重複的、集成化的交易數據、互動數據和消費行為數據分析，智能數據流程不僅僅隻是更準確地表述一個客戶購買某個商品的可能性有多少。作為一個自學習係統，智能數據流程還能夠描述出客戶將會在何時、通過哪個渠道、以怎樣的價格購買。
我承認，這聽起來更像是自吹自擂的大數據自我營銷。在本書的第三部分，我們將介紹一些智能化的企業，他們的經營證實了智能數據流程的優越性；這些企業日漸獲得數據競爭優勢，卻沒有陷入“數據自我負累”的泥潭。我們稱這些企業為智能數據冠軍企業，他們在很多應用領域確實贏得了競爭優勢。
[1]即那些不會再被訪問的數據。——譯者注